网络表征学习旨在将网络中的节点表示成低维向量,从而利用这些向量去完成一些网络分析任务,例如节点分类、节点聚类、链接预测和物品推荐。现有的一些基于生成对抗网络的方法通常使用生成对抗网络来对抗学习节点表征分布和某一个特定的分布,从而使节点表征分布具有某一个特定的分布作为先验分布,比如高斯分布。但是,这种对抗学习策略一是无法学习更加丰富的节点表征信息,二是没有充分利用生成对抗网络的本质优势,即对抗地学习这种表征学习机制以使生成的表征更加鲁棒,而不是仅仅学习节点表征本身。为了获得更加丰富的节点表征信息,本文首先提出了基于对抗胶囊网络的网络表征学习方法ACL,在传统的基于生成对抗的网络表征学习方法上进行了改进,利用胶囊网络可以学习到更加丰富的节点的表征信息,通过在节点的表征上使用对抗策略,可以学习出更加鲁棒的节点的表征。在节点聚类任务上,本文提出的方法ACL较最优对比算法在精度评价指标上平均提升6.38%,在标准互信息评价指标上平均提升4.56%。本文接着提出基于对抗互信息的网络表征学习方法AMIL,在表征学习机制上,即在自动编码器框架下的编码机制上使用对抗性策略思想。特别是,本文使用节点的属性和节点表征之间的互信息作为这种编码机制的合理替代品,使得这种编码机制更加容易被学习和训练,从而学习出更加鲁棒的节点表征。为了进一步克服获得有效训练数据进行网络表征的困难,本文还提出了一种新的基于生成对抗网络的模型去生成有效的互信息样本作为训练数据,本文称之为对抗解码器,用于学习节点属性和节点表征之间的互信息。在节点聚类任务上,本文提出的方法AMIL较最优对比算法在精度评价指标上平均提升8.91%,在标准互信息评价指标上平均提升7.96%,实验结果验证了本文提出的方法在真实网络数据集上的有效性。