随着网络数据规模的快速增长,传统的网络表示方法已经成为限制大规模网络处理和分析的瓶颈,如何通过网络表征学习将原本高维的网络数据在低维向量空间中进行表示成为了值得研究的一个问题。一种有效的方式是将网络映射到一个低维向量空间中,即使用低维向量来进行网络的表示。网络表征学习可以将高维稀疏的网络矩阵在低维空间中采用稠密且连续的向量进行表示。对采用了网络表征学习算法处理后的网络而言,由于其摆脱了邻接矩阵中边的约束,使得网络中的每个节点都可以通过低维空间中一个独立的特征向量进行表示,进而可以基于得到的低维向量支持后续的应用。本文将根据网络的局部相似性与网络动力学对静态网络和动态网络的表征学习算法进行研究,主要的研究内容包括下述几个方面:(1)对于目前静态网络表征学习算法的不足,本文提出了一种基于自编码器的静态网络表征学习算法。该算法通过随机游走得到原始网络的概率共现矩阵,然后利用词表征学习中的方法结合网络节点及概率共现矩阵得到网络的正向逐点互信息矩阵,最后利用深度学习中的半监督自编码器结构来学习网络的结构信息,将原始网络使用新向量空间中低维稠密的向量表示。在实验验证方面,通过将本文提出的算法与目前表现优异的多个算法在不同数据集上进行多个任务的实验,并根据多个评价指标来衡量算法在不同任务上的性能表现。(2)于此同时,考虑到现实世界中的网络都是具有动态性的,并且目前动态网络表征学习算法还存在很大的发展空间,本文提出了一种基于图卷积的动态网络表征学习算法。为了处理复杂的动态网络数据,该算法首先利用卷积的思想学习整个网络的结构,采用图卷积神经网络来处理这种非欧式空间数据;随后将图卷积神经网络得到的网络特征向量交由循环神经网络处理,进而学习动态网络中潜在的时序信息,从而得到动态网络在低维空间的表征向量;最后交由解码过程将表征向量进行重构,得到下一时刻网络的整体结构,并计算与原始输入数据间的误差,通过反向传播调整网络模型中的参数,最终实现在得到网络表征向量的同时预测下一阶段网络结构。(3)针对于提出的上述算法,本文将其应用于专家合作者网络预测系统,从而实现专家合作关系的预测。该系统利用网络表征学习算法在DBLP数据集上得到的网络表征向量为依托实现专家关系的预测,并对学习到的向量进行了可视化展示,最终通过使用Web应用开发技术实现了本系统。