作为表征学习的一个重要领域,网络表征学习成为网络科学和数据挖掘领域的重要研究问题。经典的网络表征学习方法主要可以分为基于随机游走的方法、基于矩阵分解的方法和基于自编码器的深度学习算法三大类。其中,基于自编码器的深度学习算法虽然可以有效的发挥深度学习的强表示能力,但是存在两大严重问题。首先,该类算法的输入维度和所采用的深度自编码器的结构通常都与网络的规模严重耦合,因而无法高效的应用于大规模网络的表征学习。其次,该类算法通常无法有效的结合网络的拓扑结构和节点的属性。近期提出的图神经网络,尤其是卷积图神经网络,虽然可以有效的缓解前面提到的计算效率和融合异构信息的问题,但是通常需要监督信息（即部分带标签的节点）辅助模型的学习。这使得图神经网络无法直接被用于无监督的网络表征问题。因此,为了使图神经网络可以被用于网络表征,本学位论文主要研究图神经网络的无监督学习问题。具体地,本文开展了如下两方面的研究:第一,高效利用生成对抗机制进行图神经网络的训练。通过借鉴博弈的思想,生成对抗网络令生成器和判别器相互对抗博弈,从而可以无监督地探索潜在语义空间并通过扰动分布捕获数据分布中的语义变化。为了网络表征学习中高效利用生成对抗机制的这一特性,本文将生成对抗网络扩展为具有编码器（表征学习器）、生成器和判别器三部分的网络。编码器利用图卷积网络对输入的属性网络求解节点表征,生成器从混合了噪声的节点表征生成网络的拓扑和节点的属性,判别器用来区分由拓扑、属性和表征三者组合成的信息是来自于真实数据还是生成数据。通过判别器、生成器和编码器之间的博弈对抗,无监督的训练编码器做的图卷积网络。实验表明该模型在中小规模真实网络上获得了显著的性能提升,在大规模网络上却不尽如人意。第二,利用注意力机制提升基于图神经网络的网络表征能力。通过研究发现上一个研究中的方法在大规模真实网络上问题主要是由于所采用的作为编码器的图卷积网络自身的表示能力的缺陷。为了解决这个问题,我们将图卷积网络编码器中的固定传播权重改进为基于注意力机制的可学习的权重。同样利用上一个研究中的基于对抗机制的无监督训练方法,算法可以得到更具表达能力的编码器,从而使节点的表征更能体现数据分布中的语义变化。实验验证了改进的算法在各类网络上的聚类和链接预测任务中超过了最先进的方法。