信息网络(如社交网络,生物网络和学术引用网络等)被广泛应用于描述事物之间复杂关系,这些信息网络通常蕴含着丰富的知识,通过分析这些网络能够创造巨大的商业价值和社会价值。然而这些信息网络的规模巨大,通常包含数百万个甚至数十亿个节点。因此,如何有效从网络中获取知识已经成为近年来学术界和工业界的研究热点,并在许多领域的各种新兴应用中起着至关重要的作用。网络表示学习旨在将网络中的节点映射到低维连续向量空间中,并保持网络的固有特性,以至于能够将所学特征部署和应用在传统机器学习算法中执行网络分析任务,例如,节点分类,节点聚类,异常检测等。现有的网络表示学习算法大多只关注拓扑结构、节点属性或社区结构的一个或两个方面,而没有将这三个方面的信息整合到一个统一的框架中。除此之外,现有方法没有充分利用和整合网络的拓扑结构和节点属性这两种描述节点不同方面的信息。为了解决上述问题,本文的主要工作和创新点包括以下几个方面:(1)本文提出了一种具有社区保护的属性网络表示学习方法ANECP(attributed network embedding with community preservation)。ANECP采用具有深层结构的自编码器来保留节点属性的一阶邻近度和高阶邻近度;使用全连接网络来提取社区结构中包含的社区信息,利用条件变分自编码器保留网络拓扑结构的一阶邻近度和高阶邻近度,并整合社区信息的影响。深度神经网络的使用可以捕获拓扑结构和属性信息中潜在的高度非线性;而社区结构的整合可以从中观角度解决数据稀疏性问题。因此,获得的节点表示可以对拓扑结构,节点属性和社区结构中的一致性和互补信息进行编码,使得所学到的特征表示具有判别性。(2)本文提出了一种多分量的属性网络表示学习方法MANE(multicomponent attribute network embedding)。MANE分别以图的形式表示网络的拓扑结构和节点的属性信息,以捕获节点属性信息的非线性流形结构。本文使用随机冲浪(random surfing)模型直接捕获图结构信息,而不是采用基于采样的方法来生成线性序列,因为基于采样的方法无法准确、完全地捕获节点的上下文信息,随机冲浪模型可以直接生成一个概率共现(probabilistic co-occurrence,PCO)矩阵,基于概率共现矩阵,计算正点互信息矩阵(positive point-wise mutual information,PPMI),即图的显式表示矩阵,它确保自编码模型可以捕获图中节点的高阶邻近度。此外,MANE还整合节点间的链接强度和语义相似度来建立成对约束,并引入基于成对约束的图正则来增强局部结构的一致性,从而提高节点表示的质量。(3)本文在6个真实的属性网络数据集上验证了ANECP和MANE模型的性能。ANECP模型和MANE模型的评估包括节点分类,节点聚类,链路预测和网络可视化任务等多方面。实验结果表明:ANECP算法和MANE算法相比于其它基线算法在节点分类、节点聚类、链路预测、以及网络可视化任务上均获得了最好的性能。