网络是表达物体和物体间联系的一种重要形式,如大型社交网络、国家电网和引用网络等。随着网络复杂度不断地提升,其作为信息的载体具有更多值得探索的价值。在网络分析中有很多有意义的应用,如节点分类、链接预测、社区检测和推荐系统等。然而,由于传统的网络表示方法采用高维稀疏向量所以使得将机器学习方法应用到网络分析任务中存在局限性。因此,如何有效地从网络中提取关键信息进而构建合理的网络表示是一个有价值的研究方向。网络表示学习,也就是网络嵌入被提出将网络信息编码到一个连续的低维特征空间中。从网络拓扑图中可以看出,具有相似结构的节点应该具有相似的表示向量。例如,同一社区中的节点连接紧密并且具有相似的邻接结构,因此在嵌入特征空间中应该具有高度的相似性。根据学习得到的节点特征向量可以更有效地分析在复杂网络中各个节点之间的关系及其在网络中扮演的角色,并且可以更深入地应用到其他任务中。所以针对网络表示学习的研究是十分有必要的。我们分别提出基于特征哈希与多任务学习的两种网络表示学习方法,来学习网络节点的隐式低维表示。这些工作包括:(1)基于特征哈希的网络表示学习:该方法为了挖掘网络中复杂的链接关系,利用随机游走挖掘网络中高阶邻近信息从而构建关系矩阵,并应用特征哈希模型针对该矩阵降维,从而获得节点的向量表示。针对哈希函数引起的哈希碰撞问题,提出具有多核的特征哈希模型,有效地降低在将高维空间中元素映射到低维空间过程中发生碰撞的概率。并且通过参数敏感性实验验证了具有多核的特征哈希模型的有效性。(2)基于多任务学习的网络表示学习:传统的网络表示学习方法往往只关注如何有效地提取节点间高阶邻近信息而忽略了节点间的一阶关系。为了更好地对节点间复杂的邻近信息进行建模,我们提出一种基于多任务学习的网络表示学习模型,该模型同时保持节点的全局与局部特征信息。在该模型中有两个任务。第一个任务的目的是保持节点的全局特征,即通过对点互信息矩阵的学习保存节点间高阶的邻近信息。第二个任务是通过重构节点的一阶邻近结构,从而保持节点的局部特征。