网络的快速发展,为人们对社会生活的研究提供了新的视角。把生物、社交及交通等信息系统建模为由大量相互交互的节点组成的网络,通过网络嵌入和分析技术,可以比传统方法更高效地发现规律和模式。然而,随着以网络为模型的关系数据集的规模不断扩大,其数据获取和分析也充斥着不确定性,基于网络的分析技术在计算和概念上也都具有挑战性。尤其是对于许多网络分析技术如图神经网络而言,网络结构和节点特征都必须是完全已知的。但在很多实际问题中,这些并不总是精确地给定的,很多网络的特征和网络结构都是领域专家基于领域知识构建的,这给模型增添了许多干扰和不确定性,包括由脏数据或者属性冗余导致的特征不确定性和不同特征对节点影响的不确定性;脏数据或数据缺失导致构建的网络结构的不确定性;忽视节点之间的关系强弱导致的节点关系的不确定性。本文将这些不确定性概括为三个方面:节点特征的不确定性、节点关系的不确定性以及网络结构的不确定性。这些不确定性问题除了导致结果准确性不够高以外,还导致基于这些网络建模的模型鲁棒性和泛化性较差。本文从这三个方面的不确定性出发,结合网络不确定性的典型应用场景,对消除网络不确定性的关键技术进行了创新性的研究和探索,具体完成的工作和贡献包括以下几个方面:1.研究了不同特征与节点标签之间影响关系的不确定性。提出一种基于贝叶斯定理的概率图模型,建模节点特征与节点标签之间的概率分布,进而通过该概率分布对节点标签的预测给出一个置信度,衡量不同特征与标签之间影响关系的不确定性。本文以特征不确定性比较突出的社交网络数据量化评估该模型,通过节点特征与节点标签之间的概率分布分析节点特征的不确定性,判断模型对该不确定性的消除。实验结果肯定了对节点特征不确定性的分析和解决思路。2.研究了不同邻居对节点影响关系的不确定性。提出一种特殊的采样机制解决邻域采样的不确定性和一种特殊的图神经网络,可以在邻域聚合时自适应地给节点的不同邻居分配不同权重解决节点关系权重的不确定性,并迭代地更新节点特征。将该模型应用到特征不确定性和网络结构不确定性相对较低的引文网络中,取得了有效的结果,其结果表明了节点关系不确定性会明显影响模型预测的有效性和泛化性,同时表明模型可以有效消除节点关系的不确定性,并有效避免过拟合。3.研究了网络结构不确定性存在的原因和解决思路,提出一种结合贝叶斯定理的图神经网络,在训练过程中利用混合隶属度随机块模型重构网络,同时针对重构网络中节点关系的不确定性,利用相关经验在训练过程中自适应地给不同邻居分配不同的权重,同时解决网络结构不确定性和与其共存的节点关系不确定性的问题。将该模型应用到网络结构不确定性突出存在的交通网络中,取得了较好的结果,解决了复杂时空网络中网络结构的不确定性和时空依赖关系的不确定性问题,并肯定了模型的先进性、有效性和高鲁棒性。4.以空中时空网络为例,研究多种不确定性混杂存在的实例中不确定性消除思路。将空中时空网络建模为异质图序列,然后用异质图级注意力机制消除空间依赖关系的不确定性,同时利用一个卷积子网,控制多头注意力机制中不同注意头提取特征的重要性,并通过训练不同权重将同质图的邻域聚合的嵌入结合起来。然后用序列级注意力机制消除时间依赖关系的不确定性。将该模型应用到多种不确定性混杂存在的案例——航班延误中,取得了较好的结果,证明了模型的有效性,肯定了消除网络不确定性对模型的贡献。综上所述,本文对消除网络不确定性的关键技术和方法进行了深入分析和研究,所提出的相关模型对提高图神经网络的有效性、泛化性和鲁棒性有重要的理论意义和现实意义,能够被应用在实际系统中,获得更高效、准确且鲁棒性高的结果。