大数据时代产生大量结构复杂、规模庞大的数据,如社交数据、电信用户数据、在线电商用户数据、论文链接数据,这些数据可建模为网络,网络聚类结构规律的发现已成为当前研究热点之一。研究者提出大量基于Spark的大规模社区发现算法,但其不能发现网络中非社区结构。而概论图模型可以发现网络中的各类结构,但其运行效率和网络处理规模有限。基于Spark的概率图模型可以高效地处理大规模网络结构发现问题,发现的网络结构可以保持网络中的全局结构,解决网络表示学习中忽略全局结构的问题。保持社区结构的网络表示学习方法,不仅保持了节点一阶邻近性还考虑了全局拓扑结构。因此,大规模网络表示学习和网络结构发现具有重要研究价值。目前有一些研究者提出了一些用于社区发现的网络结构发现方法,但其对含有非社区结构的网络数据的网络结构发现无效,且对大规模网络数据处理效率较低。网络表示学习可以学习网络节点的表示,将学习到的表示用于后期社区发现任务上,在分析社区发现结果时,可以将发现的社区结构进行表示,融合节点表示和社区表示来增强网络表示学习算法的性能。因此,有必要面向大规模网络,设计大规模网络结构发现算法和保持社区结构的网络表示学习算法,提高具有多种聚类模式的网络结构发现效率和网络节点表示的能力。本论文主要完成了以下几方面的研究内容:(1)针对面向混合结构的网络结构发现算法NMM(Newman Mixture Model)算法,在传统单机版串行计算下,不能有效的在大规模网络数据集上进行网络混合结构发现,提出一种大规模网络结构发现学习算法LNSES(Large scale network structure exploring algorithm on Spark)。该算法基于Spark平台,利用Spark自身分布式计算和分布式存储的优势,在存储空间和运行时间两方面对算法进行改进。实验结果表明LNSES算法在运行时间和网络结构发现准确度方面均优于同类网络结构发现算法。(2)针对Vgraph(A Generative Model)算法没有充分利用节点相似性的问题,融合网络节点之间的分布相似性,提出融合网络节点特征的网络表示学习算法NFVgraph(Node Feature Vgraph)。该算法利用网络节点之间的分布相似性,首先根据分布假说将网络节点进行表示,利用节点自身相似性和Vgraph算法中社区结构的表示,在目标函数中加入计算节点分布相似的损失,最后利用目标函数迭代计算得到最优节点表示和社区表示。实验结果表明NFVgraph算法在后续数据分析任务中优于Vgraph算法。