目前,网络已经成为复杂系统建模和分析的有效工具。现实世界中存在着各种网络,例如社交网络,技术网络和生物网络。目前研究者对网络分析进行了广泛的研究,以更加深入地了解网络本质。传统的网络表示方法不能很好地揭示网络的深层特征,因此网络表征学习研究成为了网络分析任务的研究热点。网络表征的学习目标是学习每个网络节点的低维高密度连续向量,该向量不仅可以度量网络中节点之间的空间关系,还可以揭示深层的网络节点之间的潜在关系。网络表征学习可被广泛应用于许多网络分析任务。然而,在现实生活中,我们所接触的真实网络往往以多层网络的形式表现出来,尤其是在工程应用领域,单层网络这一表现形式可能会丢失网络中部分真实信息,仅在单层网络上进行低维度节点向量表示学习显然是不完整的。为了解决单层网络丢失信息的问题,多层网络研究在近年来获得了研究者的关注。许多复杂的多层网络系统通过多个单层网络和不同层之间的跨层关系网络组成,其中每一层代表许多可能的交互类型之一。一个基本的问题是如何在多层网络中提取社团信息。当前的算法或是将多层网络分解为单层网络,或是通过使用共识聚类将算法扩展到多层网络。但是,这些方法通常忽略了各层之间的依赖关系,从而导致精度不够理想。同时,网络的微观属性,即节点的一阶、二阶近似性以及高阶近似性也往往在相关研究中被忽略,导致最终结果不够理想。为了解决多层网络表征学习融合社团信息的问题,在本文中,我们基于非负矩阵分解方法,在多层网络中的每一层保留了节点的一阶近似与二阶近似信息,同时保留了网络中的高阶社团属性。通过多层网络中的层间依赖关系,我们将多层体系中的多个单层网络连接起来,形成了一个完整的统一的模型。我们在两个数据集上进行了网络分析实验,同当前应用比较普遍的方法进行了对比,验证了我们的方法是有效的,并在效果上可以获得更佳的表现。我们所提出的模型可以应用于现实工程中的多层网络分析任务,在现实网络中的学习节点低维表示向量以改进现实任务中的网络分析效果。