图以其强大的表达能力,越来越成为当前数据处理和分析的重要研究对象。但也因其数据维度大、耦合性高、局部性差的特点,给计算带来严重负担。图嵌入作为一种很有前景的图表示方式,将图信息映射到低维的向量空间中,从而更好地应用在下游任务中。然而,当前的图嵌入方法存在一些局限性。一方面,现实场景中的图数据往往具有节点、链接语义多样性的特点,导致图数据处理愈加困难。另一方面,以降维为核心的图嵌入方法往往需要高计算复杂度,例如利用矩阵分解捕获网络结构的方式,很难应用在大规模图中。针对现阶段图嵌入技术中遇到的问题,本文从基于手工特征和基于深度学习两方面设计了适用于不同场景下的图嵌入方法,具体研究内容如下。第一,针对多重异质网络,考虑到以往的嵌入方法用多视图的方式对节点在多个视图内计算不同的嵌入表示过于复杂,本文设计了一种完全基于学习的异质图嵌入方法,将链接的异质性交给模型自己学习,大大节省了人工成本。本文提出的MHGE模型结合了随机游走、注意力机制、Transformer模型、自编码器的相关技术,形成了一站式的通用多重异质图嵌入,充分保留了图拓扑结构信息和多类型链接信息。本文在三个公开数据集上对网络可视化、节点聚类、多类型链接预测任务进行实验,与近期的同类模型相比,在准确率和效率上均有提升。第二,考虑到以往的嵌入方法在降维过程中消耗巨大,本文提出了一种新颖的基于欧几里得距离矩阵的图嵌入方法,无需降维就能刻画图的全局拓扑结构。本方法以节点间的最短跳距构造嵌入表示,将距离矩阵中的一行/列作为节点嵌入向量,计算两节点在高维空间中的欧式距离作为节点相似性的度量,并通过实验验证该嵌入表示对网络拓扑结构的捕捉能力。基于该嵌入方法,本文进一步设计了社团划分、虫洞检测和图压缩算法,为后续拓扑数据分析工作提供新的方法和思路。