本论文主要是对大规模图网络数据的结构分析与表达学习进行研究。当前,多样型的大规模图网络结构在现实生活中是非常常见的,比如社交网络、引文网络、交通网、物联网、物流网、生物分子网络等等。基于这些网络结构数据产生了众多需要解决的图分析任务,例如链接预测(如社交网络上的好友推荐)、多标签分类(如引文网络上的同主题论文归类)、异常点检测(如交通网上的拥堵点检测)等等。然而传统的图论或者统计方法面对这种大规模的复杂网络新任务稍显效率和性能偏低。近些年,研究者们提出了利用机器学习的方法将图网络结构映射至低维的向量空间中,再通过在向量空间中进行分类、相似性预测来完成图结构上的分类和链接预测等任务,这种方法统称为图嵌入(或图表达学习、网络表达学习)。为了能够在图嵌入的过程中更好地保留原始网络结构中的各种节点信息和边的链接信息或者其他隐藏的信息,很多工作在图嵌入算法上进行了大量的研究。本文我们主要进行了针对同质图的嵌入算法的研究,并且通过对比实验验证了所提算法的有效性,具体研究内容包括:(1)针对目前算法中一些节点属性特征信息未能被考虑其中的问题,我们提出了一种新型的基于协方差的变分自编码器模型,并且构建了一个将图卷积神经网络和我们所提的基于协方差的变分自编码器相结合的算法。我们验证了此算法既具有图卷积神经网络原有的优势,也能充分考虑节点属性信息之间的相互关联性问题,因此该算法具有更融合更全面的优势,更加适合某些有特征信息的图分析任务。(2)在本文提出的第一个算法的基础上,为了使我们的算法适合更大规模的图嵌入,并且具有更高的稳定性与鲁棒性,我们提出了一种基于协方差的变分自编码器对抗式图嵌入算法。之后我们通过相关实验验证了其在实际任务中的优势与稳定性。(3)针对前面设计的两个算法,我们在本文实验部分进行了一系列与其他算法的对比研究,首先将它们应用到现实中的大规模网络数据集上,并且将生成的低维向量应用到各种现实的任务中。本论文包括的图分析任务有链接预测、多标签分类、可视化等,实验结果说明我们提出的方法能够在某种程度上优于领域里之前的算法,验证了本文所提的新算法具有一定的有效性和广泛实用性。