作为重要数据来源的社交网络,可以看作是实现人与事物之间联系的虚拟化社会。如,用户邮件通信构成的网络、用户选择商品构成的网络以及论文之间相互引用构成的网络等等。目前,社交网络的研究大多数是基于图嵌入技术。所谓的图嵌入,也称作图的表征学习。本质上是将网络图压缩并进行向量表示的过程。很多下游任务在此基础上得以完成,如节点分类、聚类、连接预测等。社交网络为学者研究节点分类问题提供了重要数据。本文基于社交网络上进行节点分类问题的相关研究。在节点分类问题的研究中,如何提高节点分类的正确率是学者们长期努力的目标。本文针对静态网络进行了节点分类问题的研究。提出了基于节点间潜在信息及表征学习的节点分类算法SNE。该方法通过节点间的二阶相似性,得到新的网络拓扑结构。此网络拓扑结构可以增强节点之间的关联性,从而提高网络中节点分类的效果。但是,在现实生活中大部分的社交网络都属于动态的,不同时刻网络的状态也会随之改变。如节点的增加或减少,节点之间关系的改变等等。因为有这些因素的存在,静态网络的研究方法将不再适用于动态网络,所以,本文从两个方面研究动态网络的节点分类问题。首先,提出基于自编码框架的节点表征学习算法AENC。该方法考虑将动态网络中第一个时间快照下带有邻居关系的网络矩阵嵌入到低纬向量空间内。然后,通过自编码框架进行学习,得到最后时刻节点的向量表示,提高节点表征的学习效果,进而提高节点分类效果。同时本文提出了简单计算节点表征稳定性的方法,计算结果越小,即表示该算法得到的节点表征越稳定,越有利于提高节点分类的效率。其次,提出基于GRU模型和自编码模型的节点分类算法ENGRU。将带有时间快照的网络关系信息通过循环神经网络模型嵌入到低纬向量中,再通过自编码的解码器进行解码。此模型的编码过程可以更好地利用历史信息学习更好的节点表征。并且解码过程得到的重构网络可以更好地训练模型,从而提高节点分类任务。