学术合作网络蕴含着学者的合作模式与学术发展的趋势,通过学术合作分析可以快速掌握最新科研动态和获取领域内重要科研人员,最终实现对领域学术技术的总体把握。复杂网络表示学习是分析学术合作网络必不可少的敲门砖,但是目前的表示学习模型多注重保留节点的一阶、二阶相似性,很少可以保留网络中与空间无关的结构相似性特征。故本文以学术合作网络为研究对象,针对上述问题,对具有良好解释性的非负矩阵分解的复杂网络表示学习方法进行深入研究。以下为本文的贡献:首先,本文提出了基于非负矩阵分解的低阶网络表示学习模型LONE-NMF。该模型既可以提取网络局部特征,又可以提取更低阶特征,即与空间无关的节点相似性特征。通过分解随机游走矩阵来捕获更低阶特征,保留了网络结构中结构相似却不相连的特征,更加适合捕获学术合作网络中的关键节点和社团结构。在多个公开数据集上进行多标签分类、聚类和链接预测实验,结果表明LONE-NMF的性能与主流网络表示学习模型相比有显著提升。但是LONENMF模型是单层NMF,很难捕捉网络结构的高阶非线性特征。其次,本文针对上述问题,提出了基于NMF的深度类自编码器表示学习模型SDA-NMF。该模型将NMF结合深度自编码器应用于多层结构,提取更全面的网络特征。此外,SDA-NMF模型为每层添加约束,解释不同级别的节点相似性,增强了算法的可解释性。实验结果表明,SDA-NMF模型的性能与LONE-NMF模型相比有较为明显的提升。最后,本文将LONE-NMF模型与SDA-NMF模型在真实专利数据集上进行了实证分析。在真实专利数据集上构建了专利合作网络和专利引用网络,使用模型获取网络表示并进行社团检测与社团演化,分析出专利合作的潜在规律。综上,本文以挖掘学术合作规律为研究问题,提出了LONE-NMF模型和SDANMF模型,两个模型性能与主流网络表示学习模型相比有较为明显的提升。而且本文将模型在较大规模的真实专利数据上进行实证分析,验证了模型的有效性,为基于非负矩阵分解的网络表示学习方法在学术合作分析上的应用提供参考依据。