关系图是指数据对象之间存在拓扑结构的数据,通常这样的数据对象也称为节点,拓扑结构则称为关系。随着计算机科学与互联网的快速发展,蕴含内在联系的关系图数据普遍存在。例如,社交网络中用户与用户之间存在好友关系、物理系统中研究对象之间具有内在联系、蛋白质之间的交互网络、语义网络中的知识图谱和许多其他领域数据。将数据对象抽象为节点,利用关系图刻画不同数据对象之间的联系,可以帮助人们更方便地理解数据的内在含义和挖掘其潜在价值。由于互联网存在大量的关系图数据,使得分析和挖掘关系图相关应用得到越来越多的关注,并逐渐成为一个国际上的研究热点。在真实应用场景下,关系图数据结构通常比较复杂,其可能存在多个图的情况,并且拓扑结构也不仅仅用单关系所能描绘。具体地,其复杂性主要体现在以下两个方面:关系多样性以及多图性。因此,本文以具有复杂结构的关系图数据为研究对象（包括单关系图与多关系图）,分别围绕表示学习与多图融合两个问题逐步展开研究,并提出相应的解决方法。本文的主要研究内容和创新概括如下:（1）针对单关系图表示学习中的单关系属性图的表示学习问题,本文提出一种基于两级变分自编码器的单关系属性图的表示学习框架TLVANE。该框架利用Doc2Vec对文本属性进行表示学习,然后结合节点的邻接向量,进行端到端的深度变分自编码学习,以生成节点的低维稠密向量。该框架具有两级变分自编码过程,其中第一级变分自编码过程代表融合文本属性与拓扑结构的隐向量,第二级则分别生成前述两个特征的隐向量。通过编解码过程,TLVANE算法能够学习节点的跨模态特征,同时捕捉数据的高度非线性结构。最后,在三组具有文本特征的数据集上验证了TLVANE算法的优越性和有效性。（2）针对多关系图表示学习中的多关系图卷积网络问题,本文提出一种基于泛化张量积的多关系图卷积框架MR-GCN。通过对三维张量积进行推广,本文提出一个基于泛化张量积的多关系图卷积算子MR-GCO。具体地,给定一个无向多关系图的邻接张量,计算其对应的拉普拉斯张量。然后,对拉普拉斯张量进行张量特征分解,得到张量变换特征基。最后,类比传统的谱图卷积过程,利用张量变换特征基,进行谱域的卷积操作。由于该卷积操作直接定义在多关系图上,因此能够挖掘关系之间的内在关联性。因为张量特征分解以及多关系图的谱域卷积过程,均定义在张量积的基础上,同时张量积的计算方式又适用于任意酉变换,所以该多关系图卷积算子具有泛化性。通过与先进的基线算法进行对比,在四个现实世界的数据集上,实验结果都验证了所提出的MR-GCN算法的有效性。（3）针对面向单关系图的多图融合的跨网络节点对齐问题,本文提出一种基于内部与外部注意力机制相融合的跨网络节点对齐模型INAMA。该模型同时考虑拓扑结构与节点属性信息,将跨网络节点对齐问题转化为一个分类任务。首先,为了高效地利用拓扑结构信息,该模型定义了匹配近邻来替换原始拓扑结构,以保持局部网络一致性。其次,为了区分节点信息在本地拓扑结构和跨网络结构中传播的影响,该模型分别引入内部与外部注意力机制。然后,利用二分类的深度神经网络,将跨网络节点对齐问题转化为二分类问题。最后,通过与先进的基线算法进行对比,在六个真实世界数据集上,实验结果验证了所提出的INAMA算法的有效性。（4）针对面向多关系图的多图融合的跨知识图谱实体对齐问题,本文提出一种基于知识感知图注意力网络的跨知识图谱实体对齐模型KAGNN。该模型能够蕴含保留原始语义的知识事实,同时能够合理有效地利用复杂关系网络。首先,为了对知识事实进行有效的建模,提出基于知识感知的注意力机制,该注意力机制能够自动识别每条知识事实的重要性。然后,为了对复杂关系网络进行合理的表示学习,采用含有Highway Gates的图卷积网络。通过含有Highway Gates的图卷积网络,能够捕捉高阶近邻信息,同时减少隐藏层之间的噪声累积。最后,通过与先进的基线算法进行对比,在三组真实世界的跨语言知识图谱数据集上,实验结果验证了所提出的KAGNN模型的有效性。