多重网络数据表示了实体之间复杂的多样性联系,在社交领域、生物医学领域、电力交通领域等一系列的领域中广泛存在着。图表示学习,也称为网络表示学习,旨在将图上的拓扑结构信息嵌入到向量空间中,把每一个节点表示为低维分布式的实值向量。图表示学习能够更加有效地解决节点分类,链路预测等任务,因此受到了越来越多研究者的关注。在多重网络数据中,不同关系（不同层）的拓扑结构在不同方面刻画了实体与实体之间的联系。为了更加全面地对节点进行有效的表示,挖掘出其中蕴含的更多潜在信息,需要对不同关系（不同层）的拓扑结构特征提取的同时,考虑如何有效地对不同关系上学习到的特征进行融合,形成一个综合性的表示。本文提出了一种基于注意力机制融合的多重图表示学习方法,MultiAttGCN。注意力机制的引入有效地量化了不同关系（不同层）的重要程度。注意力机制能够动态地为每个节点在不同关系上的表示向量分配权重,然后通过权重值将不同关系上的向量线性组合起来,作为节点的综合性表示向量。方法可以总结如下:首先,使用图卷积网络在不同关系的网络拓扑结构上学习相应的潜在信息。其次,通过注意力机制对不同关系上学习到的节点表示向量进行融合。最后,结合一个全连接的神经网络,分别基于链路预测和节点分类任务构建目标函数,训练整个模型的参数。在八个不同领域的数据集上与两个单层图表示学习方法（node2vec,Deepwalk）、三个多重图表示学习方法（MNE,OhmNet,MultiVERSE）在链路预测和节点分类任务上进行比较。实验结果表明,在链路预测上,MultiAttGCN在5个数据集中的AUROC值最高。总体而言,比两个单层图表示学习方法的AUROC值平均提升了最高45%的准确性,比三个多重图表示学习方法的AUROC值平均提升了最高14%的准确性。另一方面,在两个有节点类别信息的数据集上进行了节点分类的任务。MultiAttGCN在F1指标上能达到0.95以上,同时在一个数据集中表现效果优于其他方法。最后,在构建的多重随机图上进行节点分类任务,并对注意力分布使用统计检验,验证了方法的有效性。