随着互联网技术与数字经济的发展,基于深度学习技术处理网络结构数据的网络表示学习方法吸引了学术界和工业界的共同关注,其旨在将网络中的节点表示为低维、稠密的实值向量,并有效地保留网络结构及其他有价值信息。现有的大多数网络表示学习方法在学习节点表示时很少考虑网络的属性信息,而网络属性信息往往蕴含着非常有价值的信息。知识图谱是基于图结构的数据模型,其能够自然刻画现实世界中实体之间广泛联系的网络结构数据,能够完美地对现实世界中的属性网络进行抽象表达。这些网络属性信息不仅可以反映网络的生成过程,往往还能揭示网络深层次的潜在信息,故研究这类属性网络具有重要的价值。本文提出一种面向知识图谱的新型结构角色增强属性网络表示学习模型框架Rol EANE,其可以同时有效地保留网络拓扑结构和属性信息。该模型框架由两个主要部分组成,其中一个部分是用于捕捉高度非线性网络拓扑结构和属性信息的结构角色邻近性增强的深度自编码器模型,其可以保留网络结构的全局信息;另一部分是邻域策略优化的Skip-Gram模型,其可以很好地将网络拓扑结构和属性信息有机无缝融合,并保留网络结构的局部信息。通过分析结构角色邻近性的本质,提出了基于信息熵和有向图的结构角色邻近性优化策略。从Rol EANE模型框架的结构和实现原理角度出发,设计了目标增强型和误差增强型两种深度自编码器的结构角色增强策略。对Rol EANE模型框架的表示学习输出方式进行分析,设计了拼接型输出和集成型输出两种表示学习输出策略。将本文所提方法及其扩展版本与多种现有的先进网络表示学习方法在四个真实数据集上分别进行节点分类、链接预测及网络可视化三种不同的实验任务对比,实验结果均证明Rol EANE模型框架具有显著的优越性。同时,各实验任务结果均显示结构角色增强策略中的误差增强型提升效果优于目标增强型,表示学习输出策略的提升效果与网络数据集的稀疏性有较大关系。最后,参数分析环节证明Rol EANE模型框架具有较好的稳定性。