网络是一种普遍存在的数据表示形式,被广泛用于描述事物之间的复杂关系,例如社交网络、引文网络和通信网络等。对网络进行数据挖掘和分析能够获得许多有价值的信息,并有助于对网络的深层次理解。网络表示学习的目标是将原始网络中的节点进行特征提取,并将其映射到低维的潜在空间中,为下游任务提供高效的数据支持,进而提升机器学习算法的效率和性能。然而,现有的多数网络表示学习算法主要依赖于网络结构信息,较少考虑到网络中普遍存在的链路缺失情况;同时也经常忽略网络中节点所呈现的社区或类结构,导致得到的网络表示学习结果缺乏区分性。为解决上述问题,本文在现有的网络表示学习方法基础上进行改进,主要工作内容如下:针对现实场景中结构信息不完整的情况,本文提出了一种基于不完全信息的深度网络表示学习方法（Deep network representation learning method on incomplete information networks,DNRL）。考虑到节点属性信息较丰富且容易获得,将网络结构信息和节点属性信息进行动态融合生成转移概率矩阵,弥补结构信息不完整带来的过大损失,接着利用少量的标签信息来指导变分自编码器模型学习有区分性的节点低维表示,并捕获网络数据中潜在的高度非线性特征。在Cora、Citeseer和Wiki三个真实网络数据集上进行了节点分类和链路预测实验,结果表明本文提出的模型具有较高的有效性和鲁棒性,即使在网络链路稀疏的情况下,也能学习到高质量的节点表示。针对传统表示学习模型与聚类任务分离,较少考虑网络中类结构的情况,本文在上述模型的基础上提出了一种无监督保持聚类的属性网络表示学习方法（Cluster-preserving attribute network representation learning method,CNRL）。由于数据规模化带来的计算和存储压力,在结构和属性信息编码阶段采用球树算法进行优化,之后在变分自编码器的潜在特征部分添加聚类模型对网络进行约束,通过反向传播优化网络,从而得到同时保留属性网络潜在聚类结构和节点近邻结构的节点低维表示。在Cora、Citeseer和Wiki三个真实属性网络上的实验结果表明,本文提出的模型能够有效提高聚类任务的精度,在可视化任务中能更清晰地反映节点的团簇关系。