网络能表达不同事物的关系,在日常生活中无处不在,如社交网络、交通网络、互联网络等等。网络表征学习则把网络中每个节点表示成低维稠密的向量,便于计算,可灵活的用于各种网络分析任务。而网络数据往往是复杂的,如社交网络中,节点包含的用户属性、文本、标签等,边包含的用户交互信息,用户不同互动行为构成的多结构,以上表现形式不同的信息构成本文研究的网络多模数据。融合网络多模数据的表征学习可利用数据间关联,挖掘其隐藏的规律,提高网络表征质量。本文针对当前融合表征学习方法未能充分考虑更多有用的模态数据,提出了两种多模数据融合的网络表征学习方法,主要贡献如下:1)针对社交网络中文本与多结构混杂的情况,提出了融合好友关系结构、交互关系结构及节点文本的网络表征学习方法。首先,针对典型的基于矩阵分解的、融合结构及文本的网络表征学习方法TADW没有考虑文本特征矩阵在分解式中的位置是否影响网络表征效果的问题,通过大量数据实验分析其影响。其次,在此基础上,分析各种模态数据间的联系,把网络的多结构及文本映射成低维的特征矩阵,并放置在分解式中最优的位置,通过矩阵分解融合多模数据学习网络表征。最后,在Microblog数据集上完成用户兴趣发现实验,结果表明,该方法优于其他经典的方法。2)针对网络中节点和边语义信息以及网络结构并存的情况,提出一种基于自动编码器和翻译机制的网络表征学习方法。模型使用多个自动编码器分别对节点和边信息进行表征,并利用翻译机制有监督的建模节点和边,保持网络结构。模型通过协同优化更新表征,实现多模数据的有效融合。最后,在ArnetMiner平台采集的数据集上进行了两种多关系抽取实验:合作多关系补全,新作者间多关系预测。与经典方法相比,本模型在两个不同任务上的准确率均有所提高。表明本算法不仅在发现隐含多关系上具有较好效果,而且在不重新训练模型的情况下,能够预测动态网络中新增节点引入的多关系。