网络是表达实体和实体间联系的一种重要形式,如社交网络、公路网和论文引用网络等。随着互联网的不断深入和发展,网络的复杂度也在不断增加,使得其承载的信息量也具有更大的发掘价值。在对网络数据的挖掘中,有很多具有重要意义的应用,如推荐系统、社区发现、节点分类和网络链接预测等。然而,大多数网络具有的自然表示形式是高维稀疏的,使得机器学习算法应用到网络挖掘任务中较为困难。因此,如何有效且高效地提取网络中的特征信息是一个重要的研究方向。网络表示学习,也被称为网络嵌入,主要工作是将高维、稀疏的原始网络信息编码嵌入到一个低维、稠密的实数向量空间中（下文称为表示空间）,从而使得其可以被用于下游的机器学习任务,如分类、聚类、最近邻查找等。一般认为,具有相似拓扑结构的节点应当具有相似的表示,换而言之,在原始网络中具有较近距离的节点,在表示空间中的距离仍应当具有较近的距离;反之,在原始网络中距离较远的节点,在嵌入到表示空间之后,应当具有较远的距离。而局部敏感哈希正具有这种特性,因此,本文尝试着探索局部敏感哈希在网络表示学习各项任务中的应用。本文先阐述了网络表示学习和局部敏感哈希的基本思想,并尝试着在网络上定义节点之间的最近邻查找问题,从而将局部敏感哈希引入网络表示学习,继而引申到网络中的链接预测任务上。综合来说,本文的主要研究内容和贡献如下:（1）对基于局部敏感哈希的网络节点最近邻查找进行研究。本文使用局部敏感哈希算法将网络节点映射到若干个哈希桶中;然后用skip-gram模型训练出的节点表示向量之间的距离来衡量两个节点之间的相似度,从而定义网络节点的最近邻查找问题。我们通过在真实数据集上的实验表明,结合局部敏感哈希的网络节点最近邻搜索可以牺牲一定精度的同时提高算法的时间效率。（2）基于（1）的研究,将局部敏感哈希算法引入到网络链接预测任务上,将局部敏感哈希的分桶结果应用到两种不同相似度计算标准下的网络连接预测任务上。最后,通过在真实数据集上的实验表明,在牺牲一定精确度的情况下,本文的方法可以可观地提升算法的时间效率。