网络描述了节点和节点之间的关系,可用来定义复杂的数据关系,适用于建立大数据环境下的数据模型,例如社交网络、引文网络、词网络、知识图谱、化学物质网络和蛋白质网络等。网络表示学习的目标是从网络中提取出具有表征力的特征,以供后续的知识发现和知识挖掘任务使用。近年来,随着大数据的普及和深度学习技术的进步,网络表示学习的理论和方法取得了突破性的发展。然而,在网络表示学习的各个环节中,现有研究在信息的利用能力方面还存在一些不足。其一,为了更好地发现网络中的信息,研究者们常使用基于随机游走的采样策略来拓展结构性特征,但随机游走的策略往往是基于经验的,采样结果所包含的信息量没有得到定义,导致随机性过强。其二,有属性网络可以提供更为丰富的属性信息,但目前的无监督属性网络学习方法,只能应用目标节点的属性,却忽视了邻居节点的属性,造成了信息损失。其三,在属性网络中,对不同的属性和复合属性进行表示是常见的需求,现有方法一般对每一种属性进行单独表示,难以利用不同属性之间的关系,属性关系信息的利用程度不高。其四,在半监督学习的设定下,图神经网络可以有效地利用局部信息生成良好的节点特征表示,但由于过平滑现象的存在,却难以使用网络中的全局信息。本文针对以上网络表示学习中的问题展开研究,增强各环节中利用信息的能力,主要工作包括:1.针对随机游走的策略主要基于经验设定的这一问题,本文设计加权信息熵指标来衡量随机游走采样结果的信息量,并发现信息量越高的采样结果,在统计上会显著提高后续分类和链接预测任务的效果。在此发现之上,本文提出了基于最大化加权信息熵的采样方法,实验表明,本文的采样方法能有效提高后续任务的精度。2.针对有属性网络的无监督表示学习方法不能利用上下文属性这一问题,本文设计了两种目标函数,一种用来保留上下文节点的结构信息,另一种用来保留上下文节点的属性信息,从而学习出可以利用上下文属性、更具有信息量的节点表示。实验表明,本文的方法比基准方法有显著提升,特别是在数据稀疏时表现尤为优良。3.针对在属性网络中对属性进行表示时,难以利用不同属性间关系的问题,本文以属性网络中的引文属性网络为具体研究对象,提出一种基于循环神经网络的编码——解码的表示模型,该模型可以将标题、作者、期刊等不同的属性映射到同一个向量空间中去,再最大化被引论文中属性的概率,从而可以利用不同属性之间的引用关系。得益于统一的表示构架,该方法还可以支持一些有趣的应用,例如审稿人推荐、发表期刊推荐等。并且,由于利用了不同属性之间的引用关系,本文在论文相似度比较中也显著超过基准方法。4.针对图神经网络学习算法难以利用全局特征的问题,在半监督网络表示学习的框架下,本研究提出了可以利用全局特征的图神经网络学习模型,该模型首先使用无监督的随机游走方法从网络中学习到节点的全局结构特征和全局属性特征,再通过一个全局图神经网络算法利用这些信息,从而生成可利用全局信息的节点特征表示。本研究在简单网络表示和属性网络表示两种设定下进行了研究,实验表明,在两种设定下,本文提出的方法均可以显著超过基准方法。