随着互联网的快速发展,大学术数据迅速增长,为科学发现和技术创新在世界范围内的传播提供了技术基础。然而,随着数据量的不断增多,如何从学术数据中挖掘有用的信息成为一个关键问题。共词网络作为一种基于文章关键词构建的网络,可以为学术数据挖掘提供有效的数据支撑。图表示学习通过学习图结构和图属性,可以解决数据无法表示的问题,为数据的后续处理提供良好的数据特征表示。基于图表示学习的共词网络分析可以从一个含有丰富信息的图中提取有用的知识,构建面向学术数据的知识图谱,从而为挖掘和探索技术演化趋势提供有效的参考依据。本文针对基于图表示学习的共词网络分析进行研究,所做的主要研究工作和创新包括:（1）针对共词网络中关键词之间的关系提取问题进行研究,提出了一种基于图神经网络的共词网络关键词关系提取算法（HGCN-IHC-REC）,该算法不过度依赖语义,且可以捕捉图全局结构,对关键词进行关系提取。实验结果表明,HGCN-IHC-REC算法与其他基准算法相比,具有更准确的关系提取率。（2）考虑到共词网络的动态性,提出了一种基于动态图表示学习的共词网络关键词演化学习算法（DGR-ELC）,基于实验对关键词演化趋势做了预测和分析,验证了 DGR-ELC算法的有效性。