网络数据可以表达出物与物之间的联系,随着互联网的兴起,生活中充斥着形式各样的网络数据。在关于网络的研究中,如何有效的对网络信息进行表示,是一个亟待解决的问题。传统方法可以利用高维度稀疏向量表示网络中的一个节点,但局限在于难以度量节点之间的相似性并且还会增大模型的时间和空间复杂度。受益于自然语言领域的表示学习技术,相关的低维度稠密向量表示方法也被应用于网络数据中。网络表征学习（图嵌入）在一系列机器学习任务中发挥着重要作用,网络表征是用低维稠密的向量来表示网络中的节点或整个网络。传统的网络表征主要针对于静态网络,即固定不变的网络。然而,生活中的网络多数是动态变化的,即随着时间的流逝,网络中不断伴随着信息的变化,包括节点本身性质的改变、节点数量的增减、节点之间边的增减以及边的属性信息变化。根据数据集形式的不同,对动态网络的研究主要划分为:面向静态快照的动态网络表征和面向时序网络的动态网络表征。根据动态网络规模的大小,还可以将网络划分为:小规模动态网络表征和大规模动态网络表征。网络表征又可以根据表征的对象划分为:针对单个节点的动态网络表征和针对整体网络的动态网络表征。本文基于静态快照的形式对网络的拓扑结构变化、大规模网络以及网络整体表征提出了三种动态网络表征方法。第一,本文提出了一种新的基于图神经网络、双重影响因子和自注意力机制的方法GISA（Graph Influence Self-Attention）来学习拓扑结构变化的动态网络表征。本文首先使用图神经网络去捕捉图结构信息,接着提出两种影响因子分别衡量时间影响和信息剧变影响。最后引入一个时序注意力网络,使其捕捉动态网络时间变化信息。第二,本文提出了一种新的基于采样和聚合的方法Sage RNN（Sampling and Aggregating and Recurrent Neural Networks）,用来进行大规模动态网络的表征学习。网络数据的大规模爆发导致如今的网络结构非常的庞大。采用传统方法对大规模网络进行表征学习,将会导致模型的计算代价非常大。Sage RNN通过对大规模网络中的节点邻居进行采样,减少模型的计算量,但是不同于随机采样,Sage RNN采用了一种节点优先采样方式,能极大的保留邻居节点信息,从而极大的保留网络局部结构。接着,Sage RNN提出了一种新颖的聚合方式,能够很好的聚合邻居信息。最后,本文将捕捉了网络结构信息的节点表征送入循环神经网络中,以此来捕捉时间变化信息。第三,本文提出了一种新的基于子图采样,子图编码,子图池化和循环神经网络的方法SEPR（Sampling,Encode,Pooling,Recurrent）,用来学习整体网络的动态网络表征。SEPR首先对给定的一个网络进行采样,采样得到一系列子图,接着对这些子图进行编码,得到子图的特征向量,并对全部子图向量进行池化得到网络表征。最后,通过一个循环神经网络去获取网络的变化过程。