现实生活中复杂系统可以建模为网络结构，并对其有价值的信息进行挖掘。由于节点之间存在错综复杂的连接关系，传统的数据挖掘方法不能很好地应用在非欧几里德数据中。网络表示学习是通过保留网络结构信息和附加属性信息来生成一个代表节点性质的低维向量，从而方便进行后续分析任务。因此，近年来这方面的相关研究受到学术界和商业界的广泛关注。随着时间的推移，网络结构会发生一定程度的改变，如何把网络的结构信息和演变过程学习到节点的向量表示中是值得探索的问题。
　　本文对静态网络和动态网络的表示学习方法分别进行了研究。首先，针对静态网络，提出一种基于抽取式摘要的网络表示学习方法，解决了在随机游走式方法中使用冗余采样序列的问题，同时有效地结合结构和属性两种不同源的信息，从而提高了节点表示的质量。其次，针对动态网络，提出了一种基于对齐网络快照的动态网络表示学习方法，在连续的网络快照中，通过对齐转换规则使分别学习的节点表示包含时间的延续特性，并在设计损失函数时考虑节点的更新受网络结构变化程度的影响，从而实现动态网络时空信息的保留。本文的主要贡献如下：
　　1、针对网络表示学习方法使用冗余采样的节点序列，从而生成低质量的向量表示影响后续分析任务性能的问题，本文提出一种基于抽取式摘要的网络表示学习方法。首先，编码器对游走序列的附加属性信息进行编码压缩，得到各节点的隐藏状态向量和固定大小的压缩语义向量；其次，利用选择门网络的控制特性，对隐藏状态向量进行筛选得到各节点的关键信息；最后，把筛选后的关键信息和压缩语义向量输入到带有注意力机制的解码器中，输出无重复采样序列节点的高级特征，将这些高级特征作为节点向量表示。通过节点分类的实验，证明了该方法能够生成高质量的节点表示向量。
　　2、已有的动态网络表示学习方法通常在分别提取不同时刻的结构信息时，忽略了相邻网络快照间存在时间的延续性，导致学习的节点表示在时间上不能保持一致性。因此，本文提出一种针对动态网络快照的对齐转换规则，该方法通过匹配上一时刻和当前时刻的网络快照求得转换系数，然后利用转换系数对上一时刻网络快照进行插值以实现对齐目的，对动态网络的表示学习方法起着积极的作用。同时，设计了一种利用对齐转换规则的动态网络表示学习方法。首先，使用结构注意力模块分别对不同时刻的网络快照进行仅含结构信息的节点表示学习，然后利用对齐转换规则把相邻网络快照的节点表示包含时间的延续性，最后，通过时间注意力模块对网络的演变规律进行学习。从空间和时间两个角度来设计目标函数，生成每时刻节点的低维向量表示。通过链接预测的实验，证明了该方法在动态网络结构的有效性。
　　综上所述，本文提出的网络表示学习方法能够为静态网络或动态网络生成更高质量的低维节点向量表示，有利于提高后续分析任务(如节点分类、链接预测等)的准确性。