在现实世界中,许多系统都可以用复杂网络表示,如电力系统、蛋白质结构、电商平台、交通系统、金融系统等。随着复杂网络的深入研究,符号网络也受到学者的广泛关注。符号网络是一种边上具有正负属性的复杂网络,其中正边代表朋友、促进、支持、喜欢等属性,负边所代表的属性与正边的正好相反,如敌人、抑制、反对、厌恶等。对符号网络的分析有助于人们认识和理解符号网络的内在机制。有学者提出使用网络嵌入的方法解决符号网络分析问题。网络嵌入是一种用低维、稠密、实值向量来表示网络中节点的表示学习方法,并且这些节点向量保留了网络的结构、特性等信息。通过网络嵌入方法得到的节点向量结合现有的机器学习算法可以较为方便、有效地解决符号网络分析问题。现有的符号网路嵌入算法主要关注于正边与负边的差异,而忽略了符号网络中空边与正边、负边之间的差异。同时,深度学习、集成学习这两种非常优秀的学习模型已经在许多领域都证明了其模型的有效性。因此,本文从空边与正负边的差异入手,结合深度学习、集成学习与领域知识以增强节点向量对网络结构的表示能力。本文主要研究内容和成果如下:1.基于噪声对比估计和深度学习的符号网络嵌入算法。根据符号网络中空边与正负边的差异,设计了含有空边的符号网络嵌入的目标函数。符号网络是一个稀疏网络,因而将所有的空边加入到是没有必要的。基于符号网络平衡理论选择空边加入到目标函数中。深度学习模型已经在许多领域表明其有非常优秀的非线性学习能力,因此符号网络嵌入目标函数通过深度学习模型实现。基于以上两个内容,提出了一种新型的符号网络嵌入算法(Signed Network Embedding Based on Noise Contrastive Estimation and Deep Learning),记为SNE-NEDL。2.基于集成学习的符号网络嵌入算法。集成学习技术在许多比赛中验证了其方法的有效性,例如Kaggle、Netflix等。为了进一步提高节点向量的表示能力,将集成学习的有点融入到符号网络嵌入中,提出了基于深度集成的符号网络嵌入算法。3.通过符号网络分析任务验证符号网络嵌入算法的有效性。符号网络嵌入算法是一个无监督任务,节点向量表示能力越强则表明这一符号网络嵌入算法越好。本文选择了链路预测、社区发现两个符号网络分析任务验证节点向量的表示能力。其中链路预测任务是分类任务,而社区发现是聚类任务。通过这两个不同类型的符号网络分析任务能更为全面地验证节点向量的表示能力。通过分析5个数据集上链路预测和社区发现这两个符号网络分析任务的指标,本文验证了上述算法的有效性。