信息网络中数据的爆发式增长给数据分析、网络信息挖掘等工作带来了巨大的挑战。为了有效解决这些问题,网络表示学习应运而生。网络表示学习通过分析网络中的信息,将高维网络映射到一个低维稠密的空间,能够高效准确地表示网络中的信息,因此被认为是网络挖掘工作的基础。传统的网络表示学习方法,仅考虑到网络中的拓扑结构信息,很难兼顾网络中丰富的边信息和属性信息,导致其后续任务,如分类、聚类等效果不佳。针对此问题,本文首先针对普通网络,提出了基于边信息提取的网络表示学习算法。接着,进一步研究了面向属性网络的表示学习模型。具体工作包括:针对现有网络表示学习方法忽略边表示向量及边信息利用不充分的问题,提出了基于边信息提取的网络表示学习算法。该方法首先将原网络转化为边图,然后将边图输入到网络表示学习模型中,直接得到边表示向量。最后分别在几个真实数据集上进行了分类、聚类等任务。实验结果表明,在绝大多数情况下,相较于原网络,将边图作为网络表示学习模型的输入实验效果更好。为了更好地利用属性网络中的边信息,提出一种基于自编码器的多视图属性网络表示学习模型AE-MVANR。该模型将网络的拓扑结构信息作为拓扑结构视图;通过计算节点间相同属性共现频率,构造属性结构视图。在两个视图上,分别利用随机游走算法得到若干节点序列,再经过自编码器训练,最终得到融合了结构信息和属性信息的节点表示向量。实验结果表明,AE-MVANR优于网络表示学习中常用的仅基于网络结构和同时基于网络结构及节点属性信息的网络表示学习方法。