复杂网络正以社会网络、引文网络、生物网络等形式在大量实际应用中变得无处不在。复杂网络的分析在许多学科及各种应用中都起着至关重要的作用,如节点分类、链路预测、个性化推荐等。然而,大规模的网络分析仍是一个挑战。近年来,网络表示学习（Network Representation Learning,NRL）作为新的学习方法能够将网络节点嵌入到低维向量空间,被广泛应用到网络分析中。属性网络,即节点或边含有属性信息的网络。现有方法大多基于网络结构进行学习,未重视可为网络表示提供更丰富内容的属性信息。然而,由于结构和属性信息的异构性,很难为其建立联合表示。另外,网络结构存在着多阶复杂性,导致现有方法很难捕捉到完整的网络结构。针对这些问题,本文探索一种能同时保持多阶结构和属性信息的网络表示学习方法,具体工作内容如下:（1）为了有效融合网络结构和属性信息,提出了一种基于社区感知和关系注意力的属性网络表示学习方法（Community Aware and Relational Attention for Attributed Network Representation Learning,CARA）,在保留结构信息的同时利用属性信息对节点之间的关系进行建模来增强网络表示。具体地,提出社区感知随机游走扩充邻域结构来增强结构表示,弥补网络稀疏性带来的网络嵌入不完整;关系注意力为节点之间的关系建模,为不同的邻域节点学习具有区分性的属性表示。（2）针对现有方法保留网络局部结构信息,无法捕捉远距离的高阶邻近性的问题,本文进一步提出基于图压缩的属性网络表示学习方法（Graph Compression for Attributed Network Representation Learning,GCANRL）,增强网络表示学习方法。首先提出一种压缩策略,能够根据网络结构特性将原始属性网络压缩成一系列粒度由细到粗的层次图,让这些层次图能够揭示网络的多阶结构和属性信息;再利用层次图来进行层级网络表示学习,使最终的节点表示同时包含细粒度和粗粒度信息。本文首先提出一种对网络结构和属性进行联合表示的方法,有效实现了属性网络表示学习;再利用所提出的图压缩策略保持了网络多阶结构和属性信息,通过实验结果验证了GCANRL对CARA等NRL方法有进一步的提升,具有良好的理论和应用价值。