网络表示学习尝试用低维稠密的向量最大程度保留网络的原始信息,这些向量一般被视为特征,用来执行后续的网络分析任务。节点之间不同类型的关系可以被抽象为异质边,由于每一种异质边代表不同的语义信息,而经典的网络表示学习方法通常处理网络中的同质边,不能很好地建模节点之间的异质边。因此,如何从异质边网络中挖掘复杂结构的信息仍然是值得探讨的课题。为了探索异质边的网络表示学习,通过将每种异质边代表的关系视作网络的一个视角,该视角描述了节点之间特定类型的邻近关系,进而异质边网络表示学习问题被进一步转化为多视角学习问题。事实上,大多数现有的网络表示学习方法都等价于矩阵分解。然而,传统矩阵分解的近似误差通常相当大,因为单个低秩矩阵不足以捕获完整的原始信息。通过梯度提升的多阶段矩阵分解过程,多阶段非负矩阵分解模型渐进式地将上一阶段的残差矩阵进行分解,从而实现了较低的矩阵分解误差。同时,基于多阶段的模型结构,多阶段非负矩阵分解模型设计了两种不同的非负矩阵分解方式。其中,统一的非负矩阵分解通过对多个视图的相似度矩阵进行联合分解,从而保存不同视角之间的一致性信息;独立的非负矩阵分解通过对每个视图的相似度矩阵单独地进行分解,从而保存每个视角的独特信息。最后,将每个阶段学习到一致性信息和独特信息的向量表示进行串联,获得网络中所有节点的最终向量表示。实验结果验证了通过多阶段非负矩阵分解方法学习到的异质边网络的向量表示,在多个任务上的实验效果均优于现有的方法。在多个真实世界的数据集上进行的节点分类实验中取得了超过2%的准确率提升;在节点聚类实验中取得了大约1.5%的互信息分数的提升;在网络可视化任务中,不同社区中的节点分布差异可以更加明显的展示出来。同时,实验还验证了多阶段矩阵分解的合理性以及有效性。