随着网络数据承载的信息量越来越大，如何从网络结构中挖掘有价值的信息成为近些年研究的热点。网络表示学习可学习网络的结构表示，用低维矩阵保留其结构特征。但现实网络中的节点间往往不只有一种关系类型，如何从异质边网络中挖掘复杂结构的信息相比同质网络更具挑战性。
　　正则化图自编码器网络表示模型(Regularized Graph Auto-Encoder， RGAE)用于学习异质边网络的网络表示。该模型将异质边网络按其边缘类型分解为多视图网络，利用各视图间的协作、补充学习更鲁棒的低维网络表示。RGAE模型设计了共享和私有两种图自编码器分别用于捕获多视图间的一致信息和特有信息。图自编码器将图神经网络(Graph Neural Networks，GCN)思想与深度神经网络结构相结合，相较其他浅层模型可捕获节点间的高阶非线性结构信息。此外，RGAE模型设计了相似性损失和差异性损失两个正则函数分别约束一致信息和特有信息的提取和剥离，避免信息冗余。相似性损失、差异性损失与平衡优化的重构损失一起在反向传播学习过程中对模型参数进行优化。最终学习输出的各视图间一致嵌入和特有嵌入将共同表示异质边网络的结构信息以用于下游应用。
　　实验结果表明，RGAE模型对异质边网络的向量表示学习效果优于现有方案，在不同数据集的节点分类和连接预测实验中都有较明显提升。同时，测试实验还证明了多视图协作的重要性与两个损失函数设计的合理性和必要性。