网络表示学习技术又称网络嵌入,能够得到大规模网络中各节点的低维表示向量,在保存网络结构和节点属性的同时将节点映射为低维、稠密的实值向量,这些向量可作为节点特征完成节点分类、聚类、链路预测及可视化等网络分析任务。近年来学者们陆续提出了许多高效的网络表示学习模型,大多数模型仅考虑了网络的微观结构,忽略了介观层次的社区结构对节点相似性施加的约束;尽管也有部分保存社区结构进行网络嵌入的方法,但大多数为无监督模型,未能有效利用节点标签或成对约束等先验信息提升节点表示向量的判别性。现有的半监督网络表示学习方法大多使用节点标签辅助节点表示向量的学习过程,但节点标签的使用必须提前得知给定网络的具体社区数目,更适用于节点分类任务,将不同类别的节点划分得更加清楚;而成对约束信息的使用只需了解节点所属社区间的关联即可,因而成对约束信息更适用于网络聚类模式。本工作主要以保存社区结构的半监督网络表示学习方法为研究对象,通过有效利用成对约束信息对网络表示学习过程进行引导,获得更具判别性的节点表示向量,能将同社区的节点聚集地更为紧密。节点聚类、链路预测及可视化等任务的实验结果均证明了本文方法的有效性。本文取得的创新性成果如下:（1）提出了一种基于非负矩阵分解的半监督网络嵌入方法。该方法的基本思想为:从修正网络拓扑结构的角度出发,利用成对约束信息对网络的邻接矩阵和节点相似性矩阵做出修正;修正后的邻接矩阵用于模块度最大化对网络的社区结构进行建模,修正后的节点相似性矩阵用于对网络拓扑结构相似性的保存,成对约束信息的融入能影响网络表示学习过程生成的节点表示向量,使节点表示在聚类、链路预测及可视化任务上具有更高的判别性。（2）提出了一种基于半监督随机游走的网络表示学习方法。该方法的主要思想为:针对传统随机游走序列的采样过程缺乏先验知识引导的问题,利用成对约束信息影响随机游走时当前节点的邻域结构,进而调整下一节点的游走概率,先验知识的融入使学习到的节点表示更具判别性。聚类及可视化等任务的实验结果表明,使用成对约束信息引导随机游走过程有助于传统的Skip-gram模型学习到更具判别性的节点表示向量。