属性网络是描述复杂现实世界的有效工具,其中的节点之间存在边,能够描绘纷繁复杂的关系。属性网络中的节点能够携带多种属性,如文本、音频和图像等丰富信息。属性网络表示学习旨在将属性网络中的网络结构和属性等信息保存在低维的向量空间中,为节点学习低维、高质量的表示向量。属性网络表示学习获得的表示向量可以应用到多种下游任务中,例如节点分类、链路预测和可视化等。当前属性网络表示学习方法可分为两类,一类是无监督的属性网络表示学习方法,另一类是有监督的属性网络表示学习方法,包括基于相似性约束的方法和基于图神经网络的方法。无监督的属性网络表示学习方法仅利用网络结构和属性信息,以无监督方式学习节点的表示向量。有监督的属性网络表示学习方法中,基于相似性约束的属性网络表示学习方法首先定义节点相似性,例如出现在一条随机游走序列、有共同邻居或者有共同标签,对符合相似性的节点施加约束,使得其表示向量更为接近;基于图神经网络的方法从信号滤波和邻居聚合的角度学习节点的表示向量。然而,无监督的属性网络表示学习方法忽视了标签信息的作用。有监督的两类属性网络表示学习方法局限于利用标签构建损失函数做全局监督,忽略了标签与局部网络结构和属性存在的潜在关联。为了挖掘标签与局部结构和属性的潜在关联,解决在属性网络表示学习中保留标签与局部网络结构和属性的潜在关联问题,本文从两个不同的角度对标签与局部结构和属性的关联进行研究,提出局部标签感知的属性网络表示学习方法。本文的研究工作主要包括:1、针对基于相似性约束的属性网络表示学习方法保留标签与局部结构和属性的关联问题,本文提出一种基于局部标签序列约束的属性网络表示学习方法,利用三种局部序列的对应关系约束节点表示向量的学习。该方法中节点相似性定义为,同时出现在一条随机游走序列中的节点具有更高的相似性。首先利用随机游走算法从属性网络中抽取局部节点序列,根据局部节点序列中节点携带的属性和标签获取对应的属性序列和标签序列,挖掘网络结构、属性和标签的关联。然后,根据从属性网络抽取的三种序列,利用双向长短时记忆网络（Bi-LSTM）保留三种序列的关联关系。该模型在属性网络的局部融合网络结构、属性和标签,得到经过局部标签序列约束的属性网络节点表示向量。最终将节点表示向量应用到节点分类等下游任务上,在多个公用数据集上的结果以及扩展分析验证该方法的有效性。2、针对基于图神经网络的属性网络表示学习方法保留标签与局部网络结构关联的问题,本文提出一个基于局部标签重构图神经网络的属性网络表示学习框架,利用局部标签重构的网络结构学习节点的表示向量。首先在属性网络距离为两跳的节点对中寻找具有相同标签且不直接相连的节点对,对这些节点对构建连边。同时在属性网络中寻找具有不同标签的一阶连边,断开不同标签的连边。从而利用标签重构网络结构,得到标签指导的网络结构。标签指导的网络结构使图神经网络在聚合邻居节点属性时,能够得到局部两跳区域相同标签和不同标签的节点指导,从而保留标签与网络结构的局部关联。然后,利用原始网络结构和标签指导的网络结构构建双监督的图神经网络框架,同时从原始网络结构和标签指导的网络结构中学习节点表示向量。最终将节点表示向量应用到节点分类下游任务上,在多个公用数据集上验证该框架的有效性。