网络表示学习的研究目标是采用有监督或者无监督的学习方式从一个原始的网络输入中学习得到新的特征表示的转换方式,使得新的特征可以适应各种机器学习任务,从而把人从繁重的特征工程中解放出来。网络表示学习可形象地的比喻为网络编码任务,即为网络中每个节点赋予一个唯一的表示向量,使得特征相似的节点在网络表示向量空间中具有更近的空间距离。鉴于以上的研究目标和基于现有的网络表示学习算法,本文首先研究更为有效的网络联合表示学习算法,从而充分地挖掘出网络中隐含的特征因子,使得训练后得到的网络表示向量中含有网络的各种特征隐含因子,而非仅仅是网络的结构信息。网络表示学习中存在多种经典的算法能够充分地挖掘网络节点之间的结构关联性,也存在一些经典的网络联合表示学习算法。本文所做的研究是对现有网络联合表示学习的重要补充和深入改进,可为后续的研究提供一些理论和实验依据。因此,本文研究的网络联合表示学习主要分为三部分,分别介绍如下:（1）基于随机游走策略的网络表示学习:本文采用了等概率和非等概率的随机游走策略改进了网络表示学习中的随机游走过程,该部分内容详细地介绍了网络表示学习的过程和基础知识,同时也是本文后续工作的研究基础。（2）基于关系模型的网络联合表示学习:本文提出将网络节点的文本、层次关系、邻居节点的位置等信息嵌入到网络表示向量。为了多特征嵌入学习,本文引入了多关系建模思想将这些特征转化为三元组信息,从而利用三元组特征约束网络表示学习过程。（3）基于多视图的网络联合表示学习:本文将网络节点的文本视图特征、权重视图特征、结构视图特征等网络特征嵌入到网络表示向量,该学习过程是一个多视图联合表示学习过程,为此,本文采用了两种不同的多视图联合表示学习框架。基于神经网络的网络表示学习起源于词向量表示学习。因此,网络表示学习和词语表示学习之间存在很强的关联性。本文从网络表示学习着手,吸取先进的网络表示学习算法的框架和思想,并将其应用于词语表示学习算法。由于词向量表示学习算法在语料收集、词频过滤、噪音处理、词性标注的不统一等方面的原因,较难进行对比测试。而网络表示学习已有公开的标准数据集,如果将网络表示学习中的先进算法迁移到词向量表示学习算法,可以节省较多的实验验证时间和精力。基于此设想,本文在词语表示学习上进行了如下两种应用研究:（1）改进词表示学习过程中的上下文词语获取过程,即保留与当前中心词语具有句法结构相关的词语及其依存关系,并删除句法结构不相关的词语及其依存关系。另外,对语言模型中的多义词进行识别和标注,从而训练得到多义词语言模型。（2）采用多视图联合表示学习方法,将词语的上下文结构视图特征、属性语义视图特征、同义词与反义词视图特征有效地压缩到词语的低维度表示向量中。本文同时研究基于网络联合表示学习算法的链路预测,为链路预测等任务提供另外一种解决问题的思路和解决方案。本文并没有直接采用现有的网络表示学习算法进行链路预测任务,而是提出了一种新颖的高阶网络联合表示学习算法,并基于该算法验证了其在链路预测任务中的可行性和稳定性。综上,本文的创新之处在于研究如何使用联合学习模型和框架提升网络表示学习算法的性能,而该联合学习模型既有基于算法和数据间的联合学习,也有基于算法和算法间的联合学习。