随着大数据时代的来临,社交网络等迅速发展并产生海量且关系复杂的网络数据且隐含很多重要且有价值的信息。面对海量数据,传统的邻接矩阵等向量表示形式存在向量稀疏、计算复杂度高的问题,而网络表示学习将海量数据转化为低维稠密的向量表示并将其作为常用的机器学习算法的输入进行网络分析任务,使得快速高效的进行网络分析成为可能,因此具有重要的研究意义。网络表示学习的核心思想是在保留网络的拓扑结构特征的基础上找到一个映射函数,将网络中的节点转化为低维稠密的表示学习向量,进而用于后续的网络分析任务。已有的基于单粒度结构的网络表示方法主要包括基于矩阵分解的表示学习方法,基于随机游走的表示学习方法,基于深度神经网络的表示学习方法等。然而,复杂网络的一系列的研究证实,现实世界中的许多网络呈现出一种多粒度结构,且利用随机游走方式挖掘网络的结构特征存在仅捕获低阶结构而忽略网络的高阶结构特征的缺点,因此本研究在保留网络局部结构的基础上,引入多粒度结构特征提升网络的网络分析任务的准确率。综上所述,本文的主要研究工作包括:1.本文首先对网络表示学习的背景知识做出简洁的介绍,充分调研国内外有关网络表示学习问题的研究现状以及基本的方法理论。另外重点分析网络表示学习问题主要面临的难点和挑战,并针对这些挑战,提出对应的研究方法。因此,为更好的理解复杂网络并探索复杂网络的潜在规律以更好的进行应用,本研究致力于复杂网络的多粒度结构的挖掘并分别提出基于多粒度社团结构网络表示学习方法以及基于多粒度高阶结构的网络表示方法。2.随着专家学者对复杂网络研究领域的深入,越来越多的研究证明真实的复杂网络的往往呈现出多粒度结构的特征,针对此问题,本研究基于多粒度社团结构,提出一种基于多粒度社团结构的网络表示学习方法HCNE。我们通过网络粒化构造由细到粗的多粒度网络,得到原始网络的多粒度社团结构。为保留多粒度社团结构特征,我们将粗粒度层的向量表示作为上一较细粒度层的向量表示的初始值来实现粗细粒度间的特征信息的继承;为保留局部结构,我们利用随机游走模型,保存多粒度下局部的结构特征信息。最后在多个数据集上进行实验,结果表明本研究提出的表示学习方法在网络分析任务上具有一定的适用性。3.由于利用随机游走方式挖掘网络的结构特征信息,但受游走长度及范围的约束存在仅捕获低阶结构特征忽略网络的高阶结构特征信息。针对此问题,提出一种基于多粒度高阶结构的网络表示学习方法。首先通过合并节点和边的形式简化复杂的原始网络,获取一系列粒度由细到粗的多粒度网络。然后通过将粗粒度层的向量表示作为上一层向量表示的初始值从而在训练学习形成网络嵌入的过程中保留网络的多粒度结构。考虑到基于随机游走的网络表示模型,受游走的长度及范围的约束的影响存在不能有效捕获网络的全局结构,故而我们引入能够更有效的保留网络高阶结构的表示学习方法以弥补该缺点。最后我们将两部分的模型进行非线性训练,将两部分得到的向量表示进行融合作为最终的向量表示。最后在多个数据集上进行实验,结果表明本研究在网络分析任务上的性能得到一定的提升。