随着人工智能技术的逐步发展,网络表示学习已广泛应用于多种现实情景,然而在这个海量数据爆炸增长的互联网时代,传统简单的表示学习算法已无法满足处理大规模、多类型数据的需求,亟需不断提升模型的性能以适应形式多变的输入数据。近年来涌现出的网络表示学习算法在链路预测、网络重构和节点分类等实践任务中普遍取得了极佳的效果。然而其依旧存在着网络结构特征学习不够细致精确、缺乏属性特征与结构特征的联合优化等问题,本文立足于传统静态网络模型,设计出两种应用于节点分类的网络表示学习算法模型,主要的创新性工作如下:一、提出一种基于节点相似度的结构深度网络嵌入模型,在一阶、二阶相似度的基础上设计高阶损失函数,根据图网络的整体结构计算所有节点对的相似度,优化传统算法中仅以直连边和局部邻居判定相似程度这一方法所存在的问题;同时选用Adam优化器以及Re LU激活函数,解决反向传播过程中出现的梯度消失问题,避免了深度信念网络进行预训练的过程。本文以Katz相似度算法为例建立简易模型,通过计算说明原模型的问题所在,证明引入高阶损失函数的必要性;同时泛化了高阶损失函数框架,将多种基础的相似度计算方法应用到损失函数框架中,以横向对比实验验证该框架对模型的性能提升是普遍有效的。二、提出一种图注意力网络和自编码器的组合模型,通过图注意力网络和自编码器的联合优化,创新性的实现了同时从网络图节点属性、局部结构和全局结构三个角度捕获网络特征。图注意力网络组件在图卷积网络基础上引入注意力机制,在遍历一阶邻居节点的过程中,为所有节点赋予相应权重,侧重学习网络节点的属性特征,将学习到的表示向量输入到自编码器组件中。自编码器组件借助结构深度网络嵌入模型的一阶、二阶损失函数以及一种提出的新型相似度损失函数,侧重学习网络结构特征,提出的相似度损失函数综合高阶路径、共同邻居和偏好连接理念,提升网络结构相似度的计算精确度,然后对评分使用标准化操作,对相似度计算方法进行了公式推导,再辅之以链路预测相关实验证明方法有效性。以两个不同的连接组件实现了捕获网络结构特征与节点属性特征的平衡。通过以上工作,本文成功设计出两种优化的网络表示学习模型,提升了节点分类的准确性,且相比原模型能够生成效果更好的可视化图。