互联网时代,海量数据产生于生活的方方面面。以网络表达个体与个体间联系,是数据呈现的一种重要方式,诸如社交网络、引用网络和通信网络等。对这些网络进行分析有助于深入了解社会结构、信息传播和沟通方式。已经有许多方法被应用于提取网络信息,但高维稀疏的表达方式会导致高计算量和高存储量。因此,如何高效表达网络信息、精准刻画节点特征,具有很高的研究价值和广阔的应用前景。近年来,越来越多的科学研究应用深度学习和非线性降维技术,将网络节点编码为低维的嵌入向量。其中,网络表示学习旨在将高维稀疏的复杂网络映射到低维稠密的嵌入空间,该空间保留了网络结构相似度和节点属性关联度,所获得的嵌入向量可以作为后续机器学习算法的特征,有助于在新的嵌入空间中处理各种网络分析任务,如节点分类、节点聚类、网络重构等。本文主要针对文本信息网络,旨在将网络的拓扑结构与节点的文本属性信息共同编码到节点的向量表示中。本文分别提出基于矩阵分解和随机游走的文本信息网络表示学习方法,来自动学习节点的低维嵌入向量。本文的研究内容总结如下:(1)基于矩阵分解的文本信息网络表示学习方法:该方法首先提出一种统一的表示学习框架,将网络的全局拓扑结构和节点的文本属性分别嵌入两种关系矩阵中。接着首次将一种高效的随机奇异值矩阵分解方法引入网络表示学习,对上述关系矩阵降维,连接降维后的矩阵获得整个网络的嵌入矩阵。其中,文本关系矩阵在挖掘节点的文本信息时,采用多种句向量模型,获得文本深层次的语义信息,从而更精准地提取节点特征,提高后续网络分析任务的准确率。通过多组真实网络上的对比实验,表明本文提出的表示学习框架的有效性与合理性。(2)基于随机游走的文本信息网络表示学习方法:该方法提出一种新的带偏置的随机游走策略来探索节点多样的邻居。首先设置结构搜索偏置,通过可调参数控制深度优先采样与广度优先采样的混合程度,充分考虑网络结构的同质性与结构等价性;同时设计文本权重偏置,挖掘节点属性的关联度,两种偏置共同引导随机游走获得节点的上下文序列。最后使用随机梯度下降算法优化目标函数,学习网络的嵌入矩阵。在三个真实数据集上的实验结果证明所提出算法的有效性。