信息网络在现实世界中被广泛的用于描述事物之间复杂的关系,例如社交网络、通信网络和万维网等。分析网络以获取有效知识已经成为近年来学术界和工业界研究的热点,并在许多学科的各种新兴应用中起着至关重要的作用。同时,随着越来越多的数据信息变得可用,现实世界中的节点通常会关联一些属性信息,这些属性信息在许多应用中可能起着重要作用。带属性网络表示学习能够同时捕获网络的拓扑结构和节点属性信息,学习并得到节点的低维潜在表示。目前大部分方法目标都是将网络结构或节点属性映射到潜在空间,使得节点间的近邻关系在潜在空间得到保留,这些方法并不探究节点潜在表示与节点属性和网络结构两种信息之间的依赖关系。另外,在带属性网络中,节点属性和网络结构信息不一定正相关,即节点之间存在边但属性可能不相似,反之亦然,目前大部分方法并没有考虑这种部分相关性。本文提出一个无监督的生成模型建模网络结构及节点属性独立生成过程,在给定潜在变量的情况下,节点属性和网络结构是条件独立的,反映了两种信息之间的部分相关性,并将网络表示学习的问题转换为对隐变量标准的概率推导问题,以此设计一个基于变分自编码器的神经网络模型学习每个节点的潜在表示。在此基础上,我们发现许多网络中节点会表现出社区或类结构的宏观模式,在同一个类中节点倾向于更加密集的连接或共享共同的属性,这些模型有望提升网络表示的学习效果。而现有大部分基于社区保留的方法仅仅考虑网络结构,而忽略了节点的属性信息。基于此,本文提出一个联合学习模型,将节点表示学习,类标签分配和类表示学习三个任务进行联合优化,以实现性能的共同增益。最后,我们通过在三个真实的数据集上进行节点分类、链接预测和节点聚类实验,结果表明,本文提出的模型相对于对比算法能够取得显著的效果增益。