互联网和社交媒体的急剧增长促进了复杂网络相关研究的快速发展，近年来一种有效的网络分析方法：网络表示学习受到了广泛的关注，网络表示学习旨在学习节点的低维稠密向量表示，然而传统的网络表示学习方法不能直接应用到符号网络中，目前专门针对符号网络提出的表示学习方法也仅仅考虑了符号网络的结构平衡理论，但是对于在现实世界中广泛存在的有向符号网络而言，Status理论往往比结构平衡理论更加适合。因此本文利用了Status理论来学习符号网络的表示，具体工作如下：
　　首先，提出了基于Status理论的符号网络表示学习方法(SSNE)。该方法首次利用Status理论学习有向符号网络的表示，并针对符号网络设计了有效的负采样方法以及节点表示增强的注意力机制，最终将得到的节点向量表示应用到下游的机器学习任务中进行验证。
　　其次，提出了一种基于注意力机制与图神经网络的表示学习框架(GATSNE)，为了保持符号网络的邻居结构以及Status社交理论，该框架利用基于注意力机制的图神经网络学习节点的高度非线性表示并设计损失函数来保持Status理论，同样利用链路符号预测评估节点表示的有效性。
　　最后，将模型应用到城市区域的报警行为分析领域。利用110报警数据与手机通信数据构建了符号网络，并从表示学习的角度定义了报警行为分析的相关指标，随后通过多种方式分析了报警行为，实验结果证明了本文提出的表示学习方法在报警行为分析中的有效性。
　　本文提出了基于Status理论的表示学习方法并利用图神经网络设计了更通用的表示学习框架，得到的向量表示在链路符号预测等任务中的效果要优于现有方法，因此在网络表示学习和符号网络等领域具有重要的理论价值，同时在报警行为分析领域的效果体现了本文模型的实用价值。