在我们的现实生活中,网络(network)或图(graph)数据无处不在,我们的社交网络、交通网络和生物网络中都存在不同规模大小的网络数据。近年来随着互联网行业的迅速发展,不管是金融银行业还是电商业,其存储的海量用户数据足以构建庞大的网络系统,而如何充分挖掘网络系统中节点的特征,帮助企业的用户进行全方位的客户画像和消费者行为分析也是近年来研究的热点和难点。本文在基于已有的网络特征学习算法和机器学习分类算法上,对传统的网络特征学习算法和近年来新兴的、比较前沿的网络特征学习算法进行了分类和总结,受到已有的相关算法和文献的启发,提出了总体的网络特征学习算法和机器学习算法结合用于多标签节点的主要分类学习任务框架,框架中的网络特征学习算法包括基于矩阵分解(拉普拉斯特征映射,LINE)的方法和基于随机游走(deepwalk,node2vec)的方法;框架中的机器学习算法包括逻辑回归和autoencoder深度学习框架。本文首次提出了将网络特征学习算法学习到的节点特征向量嵌入到autoencoder框架中,分别进行单任务学习以及多任务学习。所谓的单任务学习即有监督的多标签节点分类,多任务学习即同时进行无监督特征重构和有监督的多标签节点分类学习。在对模型的改进中将基于随机游走的算法学习出的节点特征向量拼接对应节点的邻接向量然后输入autoencoder进行多任务学习。为验证本文提出的算法的结合框架的思路和效果,选取三种不同类型的数据集,即社交网络数据集(Blogcatalog和Youtube),生物网络数据集(PPI),单词共现网络数据集(Wikipedia)。实验设置不同训练集和验证集比例(7:3和8:2),计算不同网络节点特征学习算法在不同机器学习分类算法上的分类指标(macro-F1 score)值,选取合适的超参数组合,证实了node2vec算法与autoencoder结合同时进行多任务学习对于节点分类主任务相较于文中提出的其他算法结合框架其分类效果有更高的准确性。同时在模型的改进环节中也证实了调参后的node2vec学习出来的网络节点特征向量与对应节点的邻接向量进行拼接作为autoencoder的输入进行多任务学习时,主任务的节点分类效果相比于文中提到的其他框架都更加准确。由此说明本文新提出的算法框架在基于实际业务的节点分类中具有一定的参考价值。