事物之间总是有千丝万缕的联系,这些联系就构成了不同的网络。网络在现实世界中极其普遍地存在,因此研究网络的性质将提升人们对于网络演化的理解,进而帮助人们更好地建模现实世界,从而提升各种现实任务的性能。事物在现实中有不同的属性,导致其在与其他事物的交互中有不同的功能,于是在网络中有不同的角色。在同一网络或不同网络中执行不同功能的节点往往具有不同的角色,而在同一网络或不同网络中执行相似功能的节点往往具有相似的角色,这些角色往往可以从网络的结构中反映出来。从网络结构中学习节点的角色表示即为结构角色表示学习,也即本文关注的主要问题。学习节点角色的表示有助于我们理解网络并将我们在某些网络上得到的知识用于其他网络,以促进我们对网络信息的理解和利用。然而,大多数现有的结构角色表示学习方法或者时空复杂度很高,以致难以应用于大规模网络,或者依赖于启发式特征工程,难以泛化,得到的表示鲁棒性差。因此本文提出RiWalk,这是一个用于学习节点结构表示的灵活框架。它将结构嵌入问题分解为重标识过程和网络嵌入过程。通过重标识,可以在保持结构依赖性的同时构建以中心节点为根的图核,使得结构相似的节点具有相似的上下文节点,从而可以更好地集成网络嵌入方法。这一解偶过程保持了框架的简洁性和灵活性,同时也能更充分地利用已有的网络嵌入方法在节点社区表示方面的成果,而且网络嵌入的高效可扩展的特性也能提高本文所提出框架的效率。为了证明RiWalk的有效性,本文提出了两种不同的重标识方法,分别称为RiWalk-SP和RiWalk-WL,它们分别与两种经典的图核方法——最短路径图核和Weisfeiler-Lehman图核——相关联。为了保持算法的简洁和并行性,本文采用了基于随机游走的网络嵌入方法来在重标识过程构建的重标识子图上学习结构角色表示。为了避免子图遍历以进一步提升重标识方法的效率,本文也同时给出了其中一个重标识方法的基于随机游走的变体版本RiWalk-RWSP,在该变体中,我们不再遍历子图,而是由随机游走序列中获取中心节点周围的拓扑结构信息。本文通过在一个高速公路网络上的案例分析说明了典型的网络表示学习与结构表示学习的本质区别,两者对于类标签在网络上分布的平滑性有不同的假设。本文通过同网络内的节点分类任务表明,RiWalk在实现与其他基准算法相当的准确率的同时,效率可高一个数量级以上。且尽管RiWalk-SP与其中一个基准算法基于同样的假设,在使用RiWalk框架后,其表现超过了对应的基准算法,这说明了RiWalk框架的优越性。此外,本文还执行了跨网络的节点角色分类任务,结果表明结构嵌入可在不同网络上迁移,显示出结构嵌入在迁移学习中的潜力。此外,在不同大小、不同密度的随机网络和现实世界网络上的实验说明RiWalk具有很好的可扩展性,使其能够利用于现实世界的大型网络。