图结构数据在我们生活中广泛存在,现实世界中很多关系数据都可以用图表示,如各类学科文献之间的引文网络、社交软件里的社交网络、城市之间的交通网络、知识图谱等。由于图数据结构复杂、特征数据量庞大,使得传统的机器学习算法和常规神经网络无法很好地处理这类数据。为了更好地挖掘图结构数据的特性与关系,图表示学习是一种有效的方法,这类算法的主要思想是将图的高维结构数据或特征属性数据嵌入到一个低维空间中,得到图或图中节点的低维向量表示,这样能够在保持网络的原始结构和特征属性的同时方便下游任务使用。图神经网络是一种深度学习与图表示学习相结合的、基于图结构数据的神经网络,在学习与研究图神经网络理论及相关算法后,本文提出了基于多属性的图神经网络算法,并将其应用于社团检测任务中。本文的研究工作与贡献如下:（1）基于多属性的图神经网络（MAGNN,Multi-Attribute Graph Neural Network）:在研究过程中发现,很多基于MPNN（Message Passing Neural Network,消息传递神经网络）框架的图神经网络算法,在其邻居聚合（Neighborhood Aggregation）的过程中,只使用网络的一种属性构造聚合函数得到节点的向量表示。在此基础上,我们提出了基于多属性的图神经网络算法MAGNN,该算法以节点的度、节点的邻居和节点的自身属性这三种网络的属性构造聚合函数,使节点嵌入到低维空间时,可以保持原始图中更多的信息。然后我们将MAGNN算法应用于节点分类任务中,以优化训练集中节点的预测标签与真实标签之间的误差为目标,通过所设计的图神经网络训练得到网络中所有节点的向量表示和预测标签,并使用相关评价指标评估该算法的性能。另外,我们还提出了一种扩充训练集的方法,用来提高MAGNN算法该任务中的性能。最后为了验证效果,对于基于多属性的图神经网络算法MAGNN,将其应用于节点分类任务进行实验,并使用相关指标评估该算法的性能,将其实验结果与其他图神经网络算法进行比较。实验结果表明了所提出的多属性图神经网络算法及扩充数据集方法的有效性。（2）基于多属性图神经网络的社团检测算法MAGNN-CD（Multi-Attribute Graph Neural Network for Community Detection）:将基于多属性的图神经网络算法应用于社团检测任务,提出了MAGNN-CD算法。该算法首先以网络中的每个节点为起始点进行随机游走,然后根据游走序列中节点出现的次数构建节点的特征;接着使用K-Means++将网络划分为若干的簇,计算簇中节点到该簇的簇中心的距离,选取指定数量距离簇中心较近的节点及其簇标签作为训练集;通过上述两个步骤,将社团检测任务转换为半监督的节点分类任务,然后以优化训练集中节点的预测标签与其簇标签之间的误差为目标,通过MAGNN算法训练得到图中所有节点的向量表示和预测标签,将拥有相同预测标签的节点作为一个社团,即可得到网络的社团划分结构。最后将其在多个网络数据集上进行社团检测实验,并将其结果与传统的社团检测算法进行比较。实验结果表明,所提出两种算法在各自任务中的表现整体优于其他对比算法。