网络表征学习是针对大规模复杂网络数据进行分析和处理的方法,是研究者们一直以来广泛关注的领域。尽管已经出现了非常多针对网络表征学习问题的有效模型,但是仍然存在没有充分考虑异构网络、对标签信息利用不够完全等问题。随着神经网络模型的不断发展和壮大,其在图像、音视频、文本处理等领域表现出了良好的性能,如何将其应用于网络表征学习需要更进一步的探索。针对上述问题,本文开展了深入的学习和调研,完成了以下工作:本文提出了将生成对抗网络应用于异构网络的表征学习中,同时提出了一种根据不同边类型将异构网络进行简化分解的有效预处理方法。通过对网络中不同类型边的对抗性学习,本文的无监督网络表征学习模型能够有效地捕获到异构网络的整体结构信息和不同类型节点间的连接关系。对于包含标签信息的异构网络,本文构建了一种半监督的网络表征学习模型,通过将标签信息转化为节点间的连接关系,实现了对标签信息的充分利用,有效实现了对异构网络中不同类型节点特征的提取和表示。同时提出了一种半监督的聚类算法,将标签信息构建为约束指导聚类过程。本文在三个公开数据集上进行实验,将所提出的模型与部分经典的方法进行比较。实验结果表明,本文提出的基于对抗性的网络表征学习方法和包含标签信息的半监督方法可以有效地提取和表示网络特征信息,并获得比其他方法更好的结果。