网络表示学习旨在学习一种映射关系,可以将网络中的所有节点映射为低维的向量表示,从而提取到节点的特征并进行网络分析。近几年,越来越多的网络表示学习方法涌现出来,已有的方法大多数只是面向静态网络进行研究,然而,在真实网络中,网络的结构及属性通常是随时间而不断变化的。因此,如何利用网络动态变化的拓扑结构以及属性信息挖掘复杂网络随时间变化的特性,对动态网络中的节点进行表示学习,以保证所学节点表示能够刻画网络动态变化的规律,并能够利用所学得的节点表示进行动态网络分析任务,是一个具有前景的研究课题。动态网络表示学习的研究主要有以下两个挑战。一方面,动态网络中可能存在异常连边,如果根据含有异常连边的信息进行网络表示学习,那么学得的表示不能有效刻画网络真实信息。并且异常边的标签稀少,不能利用标签进行有监督学习,如何在标签稀少情况下学习到鲁棒的节点表示并能够检测出网络的异常,是动态网络研究的重要问题。另一方面,大多数动态网络研究都是通过将其划分成多个静态网络图来实现,这样忽略了网络中连续变化的时序信息,导致动态网络中的信息丢失。针对上述问题,本文提出了两个工作。首先,基于深度学习提出了一个针对异常边检测的动态网络表示学习方法（Dynamic Network Embedding for Anomaly Detection,DNEA）。复杂网络普遍具有社区结构,且网络中的异常边更可能偏离于网络真实的社区划分,所以通过已观测到的拓扑结构来分析网络的社区结构是十分必要的。DNEA通过研究节点与邻居的联系,来挖掘动态网络的社区结构,依据块划分的结果可以对网络进行重构。本研究将边的重构能力作为其异常分数,来验证边的异常与否。为了解决标签稀少的问题,模型利用了负采样的方法,能够进行端到端的训练,从而学得动态网络中节点的鲁棒的表示。最后通过在三个真实的动态网络数据集上进行异常边检测任务来验证模型的可行性。然后,本文又提出了一个新颖的动态属性网络表示学习方法（Node Embedding over Dynamic Attributed Network,Dyn ANE）。本研究结合了动态网络中的结构信息和属性信息来分别捕捉网络的连续时间变化和离散时间变化。在挖掘连续时间变化时,模型考虑了节点互动的时间戳信息,并且认为距离当前时刻越近的节点互动对节点表示的影响程度更高,在挖掘离散时间变化时,模型通过神经网络对社区结构进行捕捉。研究将两种变化所挖掘到的邻居结构和社区结构融入到节点表示中,使得学得的表示蕴含了网络动态变化的规律。最后通过链接预测任务来与其它对比算法比较,证明了本文提出模型的优越性。