图是一种由结点和边构成的拓扑型数据结构,在金融、生物、社交等领域的复杂系统建模中扮演着重要的角色。常见的图网络数据有知识图谱、蛋白质交互网络和社交网络等,通过对图网络数据的分析可以完成一些重要的任务。例如,社交网络中的用户推荐和社区发现任务、蛋白质交互网络中某个特定蛋白质的功能识别任务、协作网络中某个员工的角色预测任务。图表示学习是一种获取结点或子图低维度嵌入向量的有效方法。与传统的结点嵌入学习方式相比,图表示学习能够减少对图统计数据、核函数和手工选择特征的依赖,更加关注图网络数据在原始空间和特征空间的相似性研究。根据学习结点嵌入的过程中是否使用标签信息,图表示学习方法可以分为有监督学习、半监督学习以及无监督学习。无监督的学习方式不依赖数据的标签信息,整个学习过程与需要完成的任务类型无关,通过这种方式学习到的结点嵌入在不同任务上的泛化性能更好。本文提出了一种不依赖具体任务的无监督图表示学习模型:图反卷积网络,显著提升了结点分类任务与社区发现任务的准确率。本文的主要工作总结如下:（1）本文提出了一种创新性的无监督图表示学习模型:图反卷积网络,以及相应的无监督学习算法。图反卷积网络模型学习结点嵌入的方式,与图卷积网络从根本上不同。图卷积网络以一种自下而上的学习方式来获得结点嵌入,模型通过有监督的方式学习到卷积核后,使用结点特征矩阵与卷积核的卷积操作获得结点嵌入。而图反卷积网络将结点嵌入与卷积核均看作模型参数,通过结点嵌入与卷积核的反卷积操作,重构出结点特征矩阵。图反卷积网络以一种自上而下的学习方式来获得结点嵌入,模型的优化目标是最小化重构特征矩阵与输入特征矩阵之间的差异,并采用了交替优化算法来同时学习结点嵌入与卷积核参数。（2）本文通过大量的工程实验,验证了图反卷积网络能够显著提高图网络的结点分类和社区发现的准确度。在实验中,首先通过图反卷积网络模型学习到图网络数据中结点的低维嵌入向量,进一步将结点嵌入向量作为支持向量机分类器和K-means聚类器的输入,来完成结点分类和社区发现任务。在与其他经典图表示学习模型的实验对比中,图反卷积网络模型表现出了显著的性能提升。