近年来,随着数字时代下结构化数据的大量涌现,如何对这类更加复杂的信息进行计算、分析与挖掘成为了一个亟待解决的问题。信息网络作为建模结构化数据的方法,已经被广泛应用于各种场景与任务中。而网络表示学习,通过设计出节点间的相似性度量计算,可以有效地将网络中的节点或边表示成低维空间中的稠密向量,并学习网络拓扑结构和属性特征等丰富信息,解决了传统的邻接矩阵或特征构造面临的时空复杂度高以及泛化性能差等问题;同时后续也可以利用机器学习中的各种先进算法与模型,将学习到的表示作为输入特征向量,从而高效地运用于关系推理、推荐系统、分类聚类等各种下游任务上。因此,网络表示学习能有效地对结构化数据进行计算、分析与挖掘。虽然现有的方法已经对同质网络（只含有一种节点类型）与异质网络（含有多种节点类型）的表示学习分别进行了大量研究,并在各种任务中得到成功应用,但是现有的方法绝大多数都只关注于解决单视图网络,即一对节点间只存在一种关系,并不能有效地推广到多视图网络。在现实中,由多关系类型形成的多视图网络的存在更加广泛,例如社交网络中好友关系和转发关系等,学术网络中合著关系和引用关系等。因而现有方法在真实场景中多视图网络下的效果仍然有待提升。不同关系类型形成的不同视图,所蕴含的信息可能是相互一致的,也可能是相互互补的。因此如何对多视图网络下的互补信息进行识别保存,并对多视图网络下的一致信息进行融合则是其中的关键,从而最终让学习到的表示向量能够捕捉更加全面、丰富与复杂的多视图网络信息。对此,本论文展开了基于多视图的网络表示学习的相关工作,主要包括以下三点:1、提出并实现了基于生成对抗的多视图网络表示学习模型MV-ACM。其首先使用网络拓扑结构相似性计算模块来衡量各个视图网络的一致性与互补性,而后采用对抗学习技术来生成多视图网络的表示向量:判别器模块用于区分各视图间的互补性,并利用基于多视图的分层隐藏状态来提取这些信息,以分别保留各视图特有的互补信息;生成器模块用于推荐出一致性更强的多个视图,通过多视图互享的中间隐藏状态,利用图卷积技术来进行信息聚合,实现一致信息的融合。最后使用学习到的表示向量进行链路预测和节点分类任务,在多种真实数据集上的实验结果表明,本文的模型效果有显著提升。2、提出并实现了基于模体的多视图网络表示学习模型。对于单视图网络,通过发现不同的模体子结构,对子结构中的节点建立对应的模体关系,从而形成基于不同模体的多视图网络。将原始单视图网络转化为高阶结构信息更加丰富的多视图网络,再进行多视图网络表示学习,实验证明其能更有效地学习模体子结构信息,增强表示向量的表达能力。3、将基于多视图的网络表示学习应用于淘宝平台的商品搜索和推荐具体任务中。通过构建用户与商品间历史的搜素点击以及推荐点击双视图网络,能够将搜索和推荐数据统一建模。同时运用基于注意力机制的多视图网络表示学习,得到用户与商品的表示,用于最终的点击率预测。通过联合学习两种视图下的用户偏好和商品特征,本模型的效果在两种任务上都得到了显著提升。