随着大规模网络的兴起,网络挖掘成为数据挖掘的一个重要子领域。在网络挖掘中,网络节点的特征表示至关重要。传统基于邻接矩阵的网络节点表示方法因为高维度和稀疏性等问题,给大规模网络的处理与分析带来严峻挑战。寻找网络的低维有效表示,对于解决现实大规模网络中的实际应用问题具有重要的意义。网络表示学习旨在将网络中的节点映射到一个低维、连续实值的语义空间,使得具有较大相似度的节点具有相似的向量表示。网络表示学习可以有效缓解大规模网络数据稀疏的问题,充分融合网络的异质信息,提高大规模网络分析处理的效率。作为网络表示学习中研究和应用最为广泛的算法,属性网络表示学习融合了网络结构信息和节点属性信息,可以充分挖掘网络节点的潜在语义信息,已成为当前网络表示学习的研究热点之一。属性网络表示学习方法SNE(Soical Network Embedding)早期融合网络结构信息和节点属性信息,能够有效发挥网络结构信息和节点属性信息之间相互补充与制约的作用,得到较优的节点嵌入表示。本文围绕SNE展开研究,主要研究内容如下:(1)针对SNE不能很好地保持网络全局结构的缺点,通过添加聚类约束信息来扩展模型,强制节点进行k-means聚类来揭示网络中的社区结构,使其学到的节点向量表示能更好地保持网络的全局潜在聚类结构。最后,在5个数据集上的聚类和分类实验验证了改进后的方法能更好地保持网络全局结构。(2)现实属性网络中除了网络拓扑结构和节点属性信息,还有少量的节点类别标签信息。故在前面研究的基础上,继续考虑少量先验节点的类别标签信息,进一步增强网络节点嵌入表示的社区信息。最后,在4个真实数据集上进行实验,实验结果表明改进后的方法学到的节点嵌入表示包含了更多的社区结构信息。(3)利用属性网络表示学习方法提取CSDN用户的特征向量,并对用户进行兴趣标注。实验结果验证了属性网络表示学习方法在用户特征提取中的有效性。