互联网基础设施的完善加速了信息数字化进程,现实生活中的可用信息不再被简单堆叠,而是被表征为图状信息网络,如交通网络、多媒体网络和社交网络等。网络数据的异质性、非线性和动态性等特点给数据挖掘任务带来了诸多挑战。网络表示学习是应对这些挑战的有效方法,它将高维稀疏的网络信息转换为低维密集的实值表示,从而提高网络分析任务的执行效率。现实系统中网络节点往往具有丰富的属性,这些属性可以为节点建立语义上的联系。然而,目前针对属性网络的采样方法大多基于属性编码或传统随机游走,从而会出现高维环境下计算量大、难以捕获属性网络节点分布特征等问题。此外,多数网络表示学习方法在欧氏空间中学习网络表示,无法保留复杂属性网络中的层次信息。针对以上问题,本文提出一种基于偏置自适应随机游走的属性网络表示学习方法。该方法采用偏置自适应随机游走策略对属性网络进行高效采样,生成可以保留网络节点分布特征的采样序列,并利用双曲化skip-gram模型在双曲空间中学习节点表示,捕获复杂属性网络中的层次信息。学习得到的节点表示将应用于后续的节点分类、链接预测等任务中。实验结果表明,相较于其他对比算法,本算法在两个真实数据集上的实验结果均有所提升,验证了算法的有效性。利用网络表示学习算法对交通网络进行分析与预测是解决现实交通问题的可行方法。这些方法大都缺少对交通网络特征的分析和有效利用,在交通分析任务上的性能也有待提升。针对这些不足,本文提出一种基于网络表示学习的交通路段属性预测方法,利用路网拓扑结构和属性重要性评分学习路段表示,以提高交通预测精准度。实验结果表明,相比于其它算法,该方法的Macro-F1得分在路段功能等级和路段限速等级预测任务上平均提升了17.99%和9.9%。