随着信息社会的高速发展,网络这种数据结构存在于越来越多的现实情境,并在计算机及其相关领域得到广泛应用,对这些网络进行分析具有很高的学术价值和现实应用价值。值得注意的是,进行有效的网络分析一般依赖于对网络的表示方式。传统的对网络进行表示的方法通常是使用高维稀疏的向量,但现如今复杂网络中的连边数量和节点数量是可能达到数十亿,因此使用传统的网络分析方法在整个网络上进行计算和推理面临很多困难。网络表示学习,旨在将网络中的节点映射为低维稠密的向量表示,从而减轻了传统方法由于节点表示向量的高维稀疏性所带来的问题求解困难,在下游任务展现的良好的性能吸引了越来越多研究者的关注。但现有的网络表示学习方法未能很好地对节点的上下文信息进行处理,导致网络表示学习的结果没有令人十分满意。因此,本文对国内外的网络表示学习算法进行相关研究,按照仅使用结构信息以及融合结构信息和文本信息两种情况,对基于上下文的网络表示学习算法进行深入研究。本文的主要研究内容可以概括为以下三点:1.本文首先对网络表示学习的发展历史以及研究现状进行介绍,阐明了网络表示学习的概念并对相关评价指标进行说明,介绍了一系列基于结构信息的网络表示学习算法以及一系列融合文本信息和结构信息的网络表示学习算法,而后文章总结了现有算法在获取节点表示向量过程中存在的不足,引出了本文提出的两种基于节点上下文的算法并说明了相对于传统算法的改进之处。2.本文提出一种基于路径的相互关注网络表示学习（Path-based Mutual Attention Network Representation Learning,PMA-NRL）算法。随机游走被用于捕获图上节点的结构上下文信息,再通过注意力机制获取不同邻居节点上下文的相互关注信息,有效区分了节点在和不同邻居节点进行交互的时候扮演的角色,从而获取了较为准确的网络嵌入表示。算法针对网络结构上下文进行挖掘,通过随机游走算法和注意力机制有效解决了文本获取困难或不足时如何挖掘网络结构更深层次的信息的问题,在不利用属性信息的情况下生成高质量的节点表示向量。在三个数据集上该算法取得了较好的结果,表明了PMA-NRL的有效性。3.本文提出了基于文本的上下文扩充网络表示学习（Text-based Context Expansion Network Representation Learning,TCE-NRL）算法。针对传统的网络表示学习算法只考虑局部节点的文本信息或者是经过若干步游走可达的节点信息,我们提出的TCE-NRL采用文本指导全局相似节点选取的方式,在学习节点表示的过程中考虑了与节点本身非结构近邻但是文本语义相似的节点。这种语义相似节点作为用于扩充的上下文节点,处理后基于邻域结构通过编码和解码的方式进行信息聚合,从而无缝地将网络信息融入节点的表示向量中。此方法与传统的网络表示学习算法相比,获得了质量更高的节点向量表示。