本文主要研究社团导向的深度属性网络表征，即在深度模型中融入社团信息进行属性网络的表征。为了解决这个问题，本文需要解决三个子问题，分别是：如何让网络拓扑和结点属性更好的融合；在表征模型中如何产生社团信息；在表征模型中如何利用社团信息。针对该问题，本文提出了两套解决方法。
　　1.第一套方法为基于变分自编码、社团导向的属性网络表征模型。该方法提出一个“共享-独立”的方法来处理网络拓扑和结点属性的关系。对于这两种信息具有共性的编码阶段，使用共享的编码器进行压缩编码。对于这二者不同的解码重构阶段，设计了双解码器结构，分别使用不同的生成机制去重构。尤其是针对拓扑信息的解码器，从社团角度去考虑结点之间的链接生成，设计了一种新的拓扑生成机制，并将该生成机制形式化为神经网络的形式。同时，为了产生社团信息，引入高斯混合模型连接编码器和解码器，从而将表征信息转化为社团信息提供给解码器使用。该部分同样可以形式化为神经网络整合到模型中。本文在真实网络上进行实验验证。结果表明，本文的方法在评估指标上优于对比方法，验证了本文所提出模型的有效性。这将有助于进一步提升表征质量以帮助更好的应用到具体的网络分析任务。
　　2.第二套方法为基于图卷积、社团导向的属性网络表征模型。该方法提出联合图卷积和社团发现的统一框架。首先，使用图卷积作为编码器融合网络拓扑和结点属性。其次，紧接着图卷积编码模块的是一个基于模块度的社团发现模块。使得在完成模型损失最小化的同时进行模块度最大化，从而产生准确的社团信息。最后，引入了双编码器结构和网络重构模块。前者分别产生两个不同的社团发现结果，并用相对熵让它们做最小化过程。后者通过内积向量的方式重构网络拓扑进一步约束图卷积编码。两个模块使该模型可以以无监督的方式进行表征学习。本文在真实网络上进行实验验证。实验结果证实了本文模型的有效性。所带来的表征质量的提升将更好的帮助网络分析任务。