网络表示学习,也称为网络嵌入,旨在将网络中的节点使用低维稠密的向量进行表示,使得表示后的节点向量尽量保持网络中固有的结构相似性和属性相似性。嵌入后的节点向量可以被应用于节点分类、节点可视化等众多网络分析任务中,从而帮助人们快速方便地提取网络中潜在的重要信息,因此网络表示学习具有很重要的研究意义。目前大多数网络表示学习方法是针对固定不变的网络进行嵌入的,而对于一个不断增加新节点的网络则没有归纳表示的能力。针对一个不断新增节点的网络嵌入问题,现有的大多数表示学习方法只能通过在更新后的新网络上重新训练模型来获取节点表示,少数具有归纳能力的表示学习方法要么通过利用节点属性信息,要么通过捕捉节点间的邻近关系,再结合一些机器学习的方法获取网络嵌入。然而,现实中的网络往往拥有丰富的层次特性,这一特性已经被证明可以更好地提升节点表示质量。因此,如何解决一个不断新增节点的网络嵌入问题,本文在保留原始网络的结构特征和属性特征的基础上,引入网络的层次特征来提升节点嵌入的质量。本文的主要工作如下:（1）提出一种基于邻居聚合的归纳网络表示学习方法（INRL-NA）。该方法以邻居的层次信息为指导,有选择地聚合新节点周围的节点表示,在保留结构信息的同时结合节点自身的属性信息以获取更高质量的节点表示。具体来说,首先利用网络的结构特性将网络层次化,然后利用已有的表示学习方法训练一个细化模型得到初始网络的节点表示。在新节点加入网络时,利用节点邻居的层次信息及其属性信息有选择地聚合邻居表示。实验表明,相较于直接聚合全部邻居表示,根据层次信息有选择地聚合邻居表示拥有更高的表示质量。（2）提出一种方法来进行新增节点的归纳表示,即层次归纳网络表示学习（HINRL）。该方法重点考虑保留网络中潜在的层次信息,并结合了节点自身的局部信息以实现更好的归纳表示。具体来说,该方法首先利用网络的结构和属性信息将网络层次化,接着利用现有的网络表示学习方法及图卷积神经网络的方法训练一个细化模型,在新增节点加入网络时利用节点邻居的层次信息以及训练好的细化模型计算新节点表示。通过在公共数据集上的大量实验结果证明,该方法在节点分类任务上有更好的实验效果。