随着信息技术的快速发展,社交网络逐渐成为现代人类日常生活的重要组成部分。近几年互联网数据呈指数级增长,社交网络积累了海量具有丰富意义的数据。但网络中节点间关系也越发的复杂,给社交网络的分析与数据挖掘带来了巨大挑战,如何在大量数据中进行网络分析任务来挖掘潜在的价值,是当前需要解决的关键问题。社交网络的表示学习,又称为社交网络嵌入,将社交网络的节点嵌入到低维空间中,是社交网络分析任务中的一个基础问题。目前,研究者提出许多基于图卷积网络的方法用于解决网络嵌入问题,该类算法为所有邻居节点分配相同的权重,通过聚合邻居节点特征的方式,得到中心节点的表示。但其忽略了节点特征关联程度的差异,减弱了关联性高的节点特征而增强了关联性低的节点特征,而关联性低的特征会对生成的节点表征产生干扰,故得到的节点表征质量仍存在提升的空间。另外,现实中的社交网络普遍存在噪声节点,噪声节点因与同聚簇内其他节点属性存在明显差异,对其邻近节点质量产生负面影响。为了解决上述问题,本文以同构属性社交网络图为研究对象,设计算法模型具体研究内容如下:本文设计NSGAE模型,该模型基于图神经网络,通过计算节点特征间的关联程度评价邻居节点的重要程度,并采用邻域采样的方式,选择固定个数关联性高的节点进行聚合操作,增强节点表征质量。算法模型由编码器与解码器两部分组成,在编码器阶段通过堆叠多层图卷积操作,得到网络嵌入的中间结果。解码器部分,采用重构节点间链接的方式训练整个模型。在模型收敛后,将中间层所得的低维向量作为节点表征,得到网络嵌入结果。本文在NSGAE的基础上提出NRSNE算法。该算法通过对自编码器模型施加重构目标邻居约束,使得噪声节点的特征表示依赖于其邻居节点,减少噪声节点的负面影响,得到属性特征。为减少邻域采样过程中因忽略部分链接而造成的信息损失,该模型基于同质性原则,将降噪后的属性特征与NSGAE模型中的特征整合,生成新的节点表征。在实验部分,本文对比了多组现有算法在节点分类、链接预测与聚类任务上的效果,并对节点表征质量进行评价与分析。实验结果表明,综合考虑同一网络的多种信息并建模,NSGAE模型能够有效增强节点表征的质量,提高其在后续聚类与分类任务中的效果。NRSNE算法能够有效地避免噪声节点的影响,在分类、聚类与链接预测任务中具有突出优势。同时在较为稀疏的社交网络中具有稳定的优势。