从社交网络到万维网,网络提供了一种直观、简洁的方式来组织、保存各种各样真实世界的信息。由于网络包含成千上万的节点和边,因此在整个网络上执行复杂的推理过程是很困难的。网络表示学习又称为网络嵌入、图嵌入,旨在学习网络中节点的低维稠密向量表示,将其用作各种任务的特征,如分类、聚类、链接预测和可视化。随着信息、科技的发展,信息社会中很多网络节点拥有丰富的标签、文本、视频音频等外部信息,构成复杂的信息网络。传统网络表示学习主要依赖于网络拓扑结构信息,而忽略了这些优质的外部信息。因此,如何能够在网络表示学习过程中,考虑这些外部信息,提高网络表示的质量和增强表示向量在网络分析任务上的效果,是一个具有前景的研究课题。本文充分利用节点的标签信息与文本信息,将它们与网络拓扑结构信息结合起来,进一步增强网络节点表示的强度和效果。本文工作重点和创新点如下:(1)本文提出CNLI(Combining Nodes’Label Information)算法,结合节点标签信息进行网络表示。首先基于网络的拓扑结构形成节点的初始向量表示,然后在相同类别节点间进行随机游走形成隐式序列,接下来引入卷积神经网络,利用该序列以及标签信息优化节点向量,使节点的向量表示具有标签特性,使同类节点的向量表示相近,不同类别节点向量表示差距拉大,增强表示向量的区分能力。在实验中表明本文提出的算法在节点分类micro-F1值与运行时间上有一定的提升。(2)本文自定义了专门的目标函数,以解决目前网络表示学习算法大多缺乏针对性目标函数的问题,通过刻画节点局部与全局概率分布,专门来获取基于拓扑结构的网络信息。(3)本文提出CNTI-Edge(Combining Nodes’Text Information-Edge)算法,结合节点文本信息进行网络表示。首先将文本映射成文本向量得到每个节点在网络中基于文本最相近的k个节点,将这些基于文本生成的节点作为补充的拓扑结构加入网络中,缓解网络稀疏性问题,用(2)提出的目标函数,分别得到基于真实存在的拓扑结构下的节点向量表示以及基于文本补充拓扑结构的节点向量表示,将两部分向量拼接,得到节点最终的向量表示。在实验中表明本文提出的算法在节点分类micro-F1值上,链接预测AUC上有一定的提升。(4)本文提出CNTI-MF(Combining Nodes’Text Information-Matrix Factorization)算法,是另一种结合文本信息方法。首先将节点的文本信息通过神经网络模型,与相互注意机制,组合成节点基于文本的特征矩阵,然后构建网络整体矩阵,利用矩阵分解方法,将整个网络分解成多个小规模矩阵相乘,把文本特征矩阵加入其中,通过迭代更新,得到节点的文本特征向量。最后与节点基于拓扑结构的向量拼接,得到节点最终的向量表示。在实验中表明本文提出的算法在节点分类micro-F1值上,链接预测AUC上有一定的提升。