从蛋白质-蛋白质相互作用(Protein-protein Interaction,PPI)网络中识别蛋白质复合物是目前蛋白质组学中最重要的任务之一。大部分传统的利用计算方法的蛋白质复合物识别方法都是通过在PPI网络中挖掘稠密子图作为最终识别的蛋白质复合物。由于PPI网络存在假阳性率和假阴性率的缺点,研究人员开始试图利用生物信息来提高预测蛋白质复合物的质量。然而,如何将不同类型的生物信息整合到复合物识别过程中对研究人员来说仍然是一个挑战。近年来,网络嵌入方法由于良好的信息保持效果被广泛应用于各种网络学习任务中。因此,本文提出了基于生物属性网络嵌入方法的蛋白质复合物识别算法GANE。GANE算法首先利用网络嵌入获得蛋白质的向量表示并重新计算蛋白质对之间的相互作用强度,后续基于蛋白质复合物的结构特性进行聚类识别出最终的蛋白质复合物。GANE算法提供了一个统一的框架将各种生物信息整合到识别过程中。在GANE算法的基础上,为了克服现有网络嵌入方法存在的无法同时保存网络全局、局部结构信息和节点属性信息的缺点。本文提出一种新型网络嵌入算法,并将该算法应用于本文提出的蛋白质复合物识别算法GLONE中。同样地,GLONE算法利用这种新型网络嵌入方法学习出蛋白质的向量表示并重新计算蛋白质对之间的相互作用强度,后续利用一种特殊的聚类方法识别出其中的蛋白质复合物。本文在五个国际上公开的蛋白质相互作用网络数据集上,与蛋白质复合物识别领域中六个经典的识别算法进行了一系列对比实验来验证本文提出的GANE算法以及GLONE算法的有效性。最终的实验结果表明GANE算法以及GLONE算法相比其他六种识别算法具有更高的准确性。