随着信息技术的发展和传统产业的数字化转型,网络被广泛用于刻画复杂系统数据间关系,常见的如引文网络、社交网络等,对网络数据进行有效地表示有利于为下游的网络分析任务提供支撑。传统的邻接矩阵或相似矩阵表示方法,在面对大规模网络时存在高维稀疏的缺点,不利于后续使用机器学习模型进行网络分析。网络表示可以把原始网络映射到向量空间,并保存原始网络的信息。但现有的网络表示方法大多仅考虑了网络中的局部信息,忽略了网络中的全局信息,如社区信息,难以有效地学习网络中节点的低维稠密表示。社区信息作为网络中的重要高阶信息,能从网络全局对节点关系进行强化,因此研究融合社区信息和局部信息的网络表示方法具有重要意义。本文对此进行了研究,主要工作如下:1.针对无属性网络（仅包含结构信息的网络）提出一种融合社区连接信息的网络表示方法,以解决现有大多网络表示方法忽略了网络中社区内信息和社区间信息的问题。该方法首先结合社区发现算法获得网络的社区结构,然后基于不同社区的亲密度,捕捉网络中社区间关系,接着采用随机游走的方式保留网络局部信息,并采用社区跳跃游走的方式保留网络社区内信息和社区间信息,最后通过负采样优化的Skip-Gram模型得到与之对应的网络表示结果。在3个公开数据集上的实验结果表明,该方法相比基准方法在链接预测和节点分类任务的效果都有一定程度的提升。2.针对属性网络（包含结构信息和节点自身属性信息的网络）提出一种基于社区增强图注意力网络的网络表示方法,解决了现有大多网络表示方法仅考虑结构信息而忽略了网络中属性信息的问题,同时解决了部分方法考虑了节点属性信息,但受模型深度影响,未考虑网络中社区信息的问题。该方法首先通过图注意力网络聚合网络中节点的局部结构信息以及属性信息,然后利用已知的节点标签信息得到网络社区中心,并计算社区节点向社区中心聚集的聚类损失,最后将聚类损失结合下游任务产生的损失进行训练以学习网络的表示。在3个公开数据集上的实验结果表明,该方法相比基准方法在节点分类任务的性能有一定程度的提升,同时增强了网络可视化结果的区分性。