网络作为一种很常见的数据形式遍布于我们的日常生活,包括社交网络、交通网络以及生物网络等。这些网络中的节点与连边都蕴含着丰富的语义信息,通过对它们的分析,我们能够洞悉社会的结构、协调交通的运作以及探清生物间的依赖关系等。然而原始的网络数据可能规模十分巨大,这使得数据的存储与处理都变得困难起来。并且我们常见的数据挖掘与机器学习方法通常不能直接应用到网络这种非结构化的数据形式上。因此,为了方便数据地存储与处理,同时为了使后续的节点分类、节点聚类、链路预测以及可视化等任务得以有效地施展并取得更好的效果,网络表征学习吸引了学术界与工业界大量的关注。本文聚焦网络表征,旨在将每一个节点从原始的高维邻接矩阵映射到一个新的低维空间中,同时尽量保留对于后续机器学习任务重要的信息。常见的网络表征学习方法通常有基于因子分解的方法、基于随机游走的方法以及基于深度学习的方法三种类型。前两者本质上都是通过分解高阶相似度矩阵来求解节点的表征,而后者则主要通过使用自动编码器这一广泛用于数据降维的方法来压缩提取经过加工的节点原始表征实现。另外,针对节点带有额外属性信息的网络数据,前三类方法都各显神通有着各自的扩展,更前沿的,近两年的不少工作都通过尝试将计算机视觉中经典的卷积神经网络迁移到网络数据取得了可观的成效。本文提出的方法是后两类方法即随机游走策略和深度学习方法的结合,其研究内容与主要贡献如下:第一,原始的随机游走策略有着陷入停滞的危险,且其产生的游走序列边界处的节点的上下文信息很难得到正确的捕捉。针对这一问题,我们引入并微调了PageRank算法中带重启的随机游走策略,用于提取拓扑网络中节点间的相似度信息,使得高阶信息得到更准确的表达。第二,之前的网络表征方法要么忽略了节点的标签信息,要么通过与支持向量机联合训练的方式使得最终的表征仅在支持向量机目标模型下表现良好。针对这一问题,我们应用度量学习的策略,在自动编码器提取拓扑相似性信息的同时融入节点的标签信息。由此,我们提出的TEA模型不仅能够利用深度神经网络的非线性特性捕捉网络的复杂结构,虽为一种半监督模型,却能通过三元组损失学得监督信息,从而保留节点之间的区分性信息。并且,TEA模型是与后续具体任务中所用到的模型解耦的,无论后续的任务采用什么模型,都能够得到稳定的效果。第三,我们将TEA模型成功地拓展到了属性网络,通过结合网络种节点自有的属性信息,扩展后的TEA+算法在充分挖掘网络拓扑信息的同时,利用经典的拉普拉斯方式进一步增强了网络表征中所蕴含的信息丰富程度,一定程度上使获得的表征满足网络拓扑信息与节点属性信息的一致性与互补性。