网络是一种用于表达事物和事物间关系的重要的数据表示形式,随着信息技术的快速发展,越来越多的数据以网络的形式出现。诸如社交网络、词语共现网络、生物信息网络、通信网络、社会结构网络等大规模且关系复杂的网络结构的分析方法引起了愈发广泛的关注。有效的网络分析可以对复杂的网络结构背后的知识有更深入的了解,从而挖掘出隐含的结构信息、不同事物间不同的关联模式,使其在很多应用场景中发挥关键作用,如节点分类、节点聚类、节点推荐、链接预测。使用机器学习技术对复杂的网络结构数据进行分析饱受关联信息不足、数据稀疏、高计算成本的困扰。对于同一数据集上的相同任务,特征表示方法不同会导致即使使用同样的算法也会造成较大的性能差距。因此对于网络结构的特征表示学习,成为了网络分析研究中一项关键的研究任务。网络表示学习方法将网络节点信息和节点间的关联信息表示为连续的低维稠密向量然后用于各类任务的输入,降低了计算成本的同时解决了异质对象间语义计算的问题。然而网络表示学习的研究仍然存在许多挑战。首先现有大多数网络表示学习的工作假设在一个简单并且静态的环境下进行,但实际上在大多数实际问题中网络往往并不是简单且静态的,随着时间的推移网络结构会随着链接和节点的出现和消失动态变化。新内容的出现和旧内容的消失导致一些节点所携带的属性信息也会发生变化。而现有的方法从结构上无法处理动态信息,这促使我们寻求一种有效的知识表示形式来捕捉网络拓扑结构和节点属性信息的演变模式并消除由于新信息加入而对原模型产生的噪声。另外在大多数网络表示学习的工作中,仅考虑了直接相连的节点的关联关系,对于不直接相连的节点没有办法表示他们之间关联关系的不确定性,无法有效捕捉由节点间复杂关系而产生的非独立相关性质。而且现有考虑附加信息的网络表示模型一般考虑单一来源的附加信息,对于多来源多维度的附加信息由于信息表示的几何结构和获取方式的不一致使得模型难以得到一种有效的联合向量表示。为解决上述问题,本文在已有工作的基础上改进了现有的网络表示学习方法,以下为本文做出的主要工作:(1)提出了基于相关游走与空间合成的动态网络表示学习方法,首先通过相关游走采样生成平行嵌入空间表示新加入信息并消除噪声,然后基于矩阵摄动理论将平行的嵌入空间看作微扰因子融入原有语义空间得到更新后网络的低维向量表示。通过实验证明了方法的有效性。(2)提出了基于高斯分布的多源附加信息表示方法,首先为节点嵌入高斯分布以衡量节点关联程度的不确定性,其次提出了一种可以互补嵌入多来源附加信息的模型框架,将多个嵌入空间互补嵌入至一个统一的空间中,实验验证了本文所提出方法的有效性。