现如今互联网行业飞速发展,有关社交网络的分析研究也在不断进行中,其中关于社交网络中表示学习的研究占据着重要部分。当前社交网络的表示学习研究已经处于深入阶段,但仍然有进一步的研究空间。网络表示学习旨在学习网络中节点的低维潜在表示,这些表示可以用作图上的各种特征任务,例如分类、聚类、链接预测、节点预测和可视化等。本文通过总结和分析该研究领域的最新进展来概述社交网络的表示学习。本文首先简要介绍表示学习、社交网络和社交网络中表示学习的发展。然后,文章讨论了当前社交网络中表示学习研究方法的不足,提出了针对属性图的社交网络表示学习研究模型,并对该模型进行了算法验证。最后本文进一步设计了社交网络表示学习的应用平台,并对该平台进行了相关测试,最后本文总结了该领域未来工作的研究方向。总结来说,本文所做工作有如下三点:（1）分析总结了前人关于表示学习、社交网络和社交网络中的表示学习三方面内容,分析了现有的发展现状,这对后文我们的研究提供了基本知识介绍和理论研究基础。（2）针对社交网络表示学习问题,构建了属性图社交网络表示学习模型。采用视频+音频模型算法转化为对社交网络数据进行内容+结构的模型构建。由于社交网络数据量比较大且带有属性信息,在使用传统算法计算时,通常不能达到满意结果,为此本文提出改进模型计算,改进算法中主要设计了内容+结构的属性图模型研究,通过实验对比分析表明所设计算法能够有效解决问题。（3）采用UML建模技术进行系统功能需求分析,结果表明系统中包括系统设置管理、社交网络表示学习管理、数据库管理以及分析决策管理等。采用UML建模类图、时序图进行系统功能设计。采用C++语言编写模型算法作为系统内核,采用C#编写系统框架。