近年来,随着人工智能技术的发展,深度学习作为一种重要技术应用于自然语言处理和机器视觉等前沿领域。同时,动态演化网络广泛存在于现实生活中,包括社交网络、科研引用网络以及交通网络,动态网络的研究也成为了学术界的研究热点之一。目前学术界大量地将深度学习技术应用于网络表示学习的研究,通过对网络中的节点进行表示学习取得节点向量,从而方便对非结构化的网络图数据进行机器学习任务,包括节点分类、链接预测和可视化等应用。通过对现有的网络表示学习算法的分析与对比,发现存在以下不足之处:1、大多数网络表示学习方法只针对静态网络进行表示学习,忽视了网络结构会随着时间动态演化的性质;2、现有网络表示学习方法没有考虑网络边属性或权重对表示学习的贡献;3、当网络不断扩展时,大量新增节点加入动态网络,现有表示学习算法的性能将受到影响。为了解决上述问题,本文围绕基于表示学习的动态演化网络算法进行研究,具体内容如下:1、提出基于概率游走的网络表示学习算法Prob Walk,其目的在于网络边权重信息融入动态网络表示学习。首先将动态演化网络转化为赋权图,通过赋权图中边上的权重值计算随机游走时游走路径选择方向的概率,构建出赋权图游走路径库进行网络表示学习。实验表明:在四种网络数据集上机器学习任务评估结果证明了Prob Walk算法的有效性。2、提出一种新的网络表示学习方法,其目的在于解决高效地计算出动态演化网络中大量新增节点的向量表示。首先将动态演化网络表示为一串网络结构的快照序列,使用静态网络表示学习方法获取原始网络的节点向量,在超球面随机选择一个变化向量,为动态演化过程中的新增节点更新向量表示,同时对表示学习算法的负采样环节进行优化,提高算法在动态网络变化中的性能。实验结果表明:在动态网络数据集上该算法相较于静态方法具有有效的性能提升。3、设计并实现了一个动态演化网络的应用系统,该系统将上述算法获得的网络节点向量表示用于机器学习任务,实现了节点分类、链接预测以及网络可视化等功能。该系统基于Web架构提供对动态演化网络研究的应用服务,满足用户通过浏览器上传动态网络数据集进行节点分类、链接预测和可视化等应用的需求。