网络表示学习方法将信息网络表示为低维稠密的,并且携带网络节点特征信息的实数向量,应用于下游机器学习任务的输入。近年来机器学习与深度学习的快速发展,使网络表示学习拥有更强大的建模与特征提取能力,且应用广泛。本文针对三个方面进行了深入研究与探索,分别是网络表示学习方法综述、改进现有方法不足,以及网络表示学习对中医方剂数据的功效分类。针对当前繁杂的网络表示学习方法进行分类,分为网络节点嵌入方法和图神经网络方法,细分为六个类别,分别是传统方法、基于网络结构的嵌入、融入属性信息的嵌入,以及基于谱域的图卷积、基于空间的图卷积和图attention网络。给出网络表示学习模型适用性与特点的比较,并整理列出开源实现的表示学习模型和图深度学习库,以及常用的数据集供研究者参考使用,为网络表示学习领域的学者提供全面的综述参考。传统节点嵌入方法忽略网络中存在的原始信息与属性信息,图卷积方法对无权重网络的邻域特征聚合没有区分度,针对以上两个问题,提出基于加权边与特征融合的增强网络表示学习方法(Enhanced network representation with weighted edge and feature fusion,FWENR)。该方法将基于网络结构嵌入的特征向量与网络初始特征进行特征融合,使模型的初始特征包含更多结构与属性信息,并对无权重网络引入网络的边权重计算机制,使得模型对节点一阶邻域的特征聚合具有了权衡区分的能力。对中医方剂数据进行采集处理,以方剂中药物的共现关系构建中医方剂网络,并设计方剂网络的初始特征向量。实验结果证明,与基于结构的网络表示学习以及图神经网络方法相比,FWENR模型在方剂网络的特征表示与功效分类任务中获得了一定的性能提升。