随着经济和科技的发展,每天能够产生亿量级的数据,从海量数据构成的网络中发掘有意义的规律和信息成为热点之一。通过用连续低维向量表示网络可以更有效的分析和挖掘网络,捕捉网络拓扑结构信息或者属性信息获取网络的向量化表示。然而,数据缺失的问题始终存在,它造成网络的向量表示出现偏差,从而影响下游任务的挖掘效果,成为亟待解决的问题。现实世界中存在着各种网络,数据缺失造成网络中的节点、边或者节点属性缺失,当前研究大多数是针对网络中的边缺失的情况,很少涉及节点和节点属性缺失的方面。本文针对网络中节点缺失和节点的全部属性缺失这两种常见情况进行深入的研究,提出DINE框架和GLAM框架解决这两类问题,对缺失网络进行有效的图表示学习。(1)面向网络结构缺失的图表示学习框架DINE:该框架分为网络拓扑恢复和恢复网络表示学习两部分。通过生成图模型和最大期望模型,估计缺失的网络结构,从而补全不完全网络。对于恢复后的网络,本文提出基于自编码器的MVC-DNER网络表示学习算法,利用节点属性信息和网络拓扑信息,获得节点的向量表示。最后,在Citeseer、DBLP和BlogCatalog三个数据集上进行节点分类和链路预测任务,实验结果表明DINE框架的结果优于对比算法,并且随着缺失节点的比例增加,结果波动不大,证明DINE框架的有效性和优越性。(2)面向网络节点属性缺失的图表示学习框架GLAM:该框架分为节点缺失属性恢复和网络表示学习两个部分。在属性恢复部分,通过自编码器和生成对抗网络结合,找到网络拓扑信息和节点属性之间的映射关系,从而通过网络拓扑信息生成对应的节点属性信息,完成对节点的缺失属性的恢复。在网络表示学习部分,利用图卷积神经网络结合网络拓扑信息和节点属性信息学习网络的表示向量。最后,通过在Cora、Pumbed和BlogCatalog三个数据集上进行节点分类和链路预测任务,实验结果表明GLAM框架在各个评估指标上都优于对比算法,并且随着属性缺失节点的比例增加而保持基本不变,证明GLAM框架的有效性。