网络嵌入,又称网络表示学习,在社交网络、推荐系统、知识图谱、自然语言处理等领域都有着广泛的应用。典型的网络嵌入技术以应用中的网络结构等信息为输入,通过嵌入模型获取网络节点的低维特征,基于这些低维特征可以方便的进行如节点分类、聚类等机器学习任务。现实世界的网络结构数据往往存在各种缺陷,如网络结构中边的遗失、噪音等问题,已有的网络嵌入模型被应用在具有缺陷的网络结构数据上时往往效果大打折扣。目前的网络嵌入工作鲜有考虑网络结构数据本身的缺陷问题。本文工作针对网络嵌入中数据存在的诸如边缺失、稀疏、错误等网络结构缺陷问题进行研究,提出一种迭代式方法进行网络结构学习,从而提高网络嵌入的效果。具体而言,本文工作的主要内容包括:1.针对存在边缺失缺陷的网络结构,提出一种迭代式的网络结构学习方法IAL。该方法在每一轮的学习中包括子集筛选、边评价、网络结构更新、网络结构评价等模块。该方法对具有边缺失、边稀疏等缺陷的网络结构数据具有增强作用,能提高网络嵌入的表现。2.针对存在边错误缺陷的网络结构,基于错边数据的具体特征,提出一种两步处理的网络结构学习方法IAL-REC。该方法能有效提高含有边错误等缺陷的网络结构的质量,增强网络嵌入的表现。3.将方法整理成实用性较强的工具。根据方法的具体特性对工具进行模块分离和整理,对预处理、网络结构学习、常用算法、网络嵌入模型等模块进行整理实现。使用者可以方便的根据不同任务的特点选择合适的训练策略,提高开发效率。4.在常用的网络结构数据集上进行半监督图节点分类实验,验证了本文网络结构学习方法的有效性,实验表明,本文方法能有效提高网络结构数据的质量,提高网络嵌入模型的效果。