网络嵌入旨在学习网络中节点的低维表征,以支持后续的网络分析任务,例如节点分类、节点聚类、链接预测和可视化。最近已经提出了一些优秀的网络嵌入方法,其中最为突出的是基于生成对抗网络的嵌入方法。现有的基于生成对抗网络的方法都是对表征结果进行对抗训练,也就是迫使表征符合某一特定分布,一般采用高斯分布。然而,这种策略很难将表征与高斯噪声区分开,因为其要求表征服从高斯分布,这大致等于给表征添加了一个高斯正则项。尽管这在一定程度上是合理的,但其并未充分利用对抗学习的本质优势。本文认为,最好把对抗学习策略应用于将数据映射到低维空间的表征机制上（使模型健壮和有效）,而不是应用于表征本身（仅要求表征符合某种先验分布）。但是,对抗学习策略很难应用到生成对抗网络模型的表征机制中。为了解决这个问题,本文提出了一种新颖的对抗学习框架,该框架将对抗学习策略应用于表征机制而非表征结果。为了实现对表征机制的对抗训练,新框架包含三个参与者,这并不同于经典的基于对抗学习的网络表征方法（只包含两个参与者）。在新框架中,两个参与者承载两种不同的表征机制（即,两种不同的方式将数据空间投影到低维空间上）,这两个参与者分别称为编码器和竞争者。他们在对抗原则和整个框架的指导下相互竞争并完善自己的表征机制。最后一个参与者是判别器,该判别器的目标是将编码器的表征机制与竞争者的表征机制区分开。此外,本文还设计了一种扰动策略,从原始网络中生成“假”的网络,并将“假”网络提供给竞争者,以获得“假”的表征机制。本文在七个真实网络上将新方法与十种最先进的方法（包括众所周知具有高精度的DGI）进行比较,显示了其比现有方法优越的性能。除此之外,大多数现有的嵌入算法通常专注于使用近距离邻居节点信息来获取中心节点的表征,忽略了远距离节点对中心节点的影响,即全局信息无法很好地利用。为了解决此问题,本文提出了一种具有自注意力机制的对抗自编码器,该框架受自注意力机制驱动来进行远程依赖建模。该模型天然结合网络中的拓扑结构和节点属性信息,并通过自注意力机制获得全局嵌入。此外,本文使用带有自注意力机制的判别器来训练所提出的模型,以便有效地找到网络中的远程和多级依赖。