从社交网络到万维网,网络作为一种重要的数据形式广泛应用于描述现实世界事物之间的复杂关系,有效地从复杂信息网络中挖掘潜在的重要信息成为近几年学术界与工业界的研究热点。网络表示学习,也称图表示学习、图嵌入,其目的是将网络中的节点用低维、稠密、实值的向量进行表征,以应用现有的机器学习算法进行一系列网络分析任务,如链接预测、节点分类和节点聚类等。目前大多数对网络数据的表示学习只针对于网络的拓扑信息,但随着网络信息的多元化,真实网络中的节点通常包含有大量的属性信息,这些信息的学习对于后续应用至关重要。本文试图从提高属性网络表示的质量这一角度出发进行相关研究,针对其它方法在拓扑信息与属性信息不能够有效结合的缺陷,做了如下三方面的工作:（1）针对随机游走在属性网络表示学习中不能兼顾节点表征的结构对等性与同质性的问题,提出了一种基于偏置随机游走的属性网络表示学习方法。该方法首先在属性二部图中进行普通节点与属性节点之间的随机游走,在结构网络中通过引入偏置参数针对不同网络进行结构对等性与同质性的权衡,然后通过将随机游走产生的节点序列类比自然语言处理语料库中的句子,将节点序列送入到skip-gram模型中进行属性网络的表示学习。在真实的属性网络上的实验结果表明,本文所提方法在节点分类任务中准确率得到了一定的提升。（2）针对现有的属性网络表示学习方法在学习属性信息时与其互补的结构信息增强不足这一问题,提出了一种结构增强的属性网络表示学习方法,以提高节点表征的质量。该方法首先基于网络归一化邻接矩阵和属性矩阵通过自动编码器提取增强网络全局结构特性的属性信息,然后使用对比损失捕捉局部结构信息,最后引入一个联合损失函数使结构信息与属性信息在同一向量空间中得以表示。在三个真实属性网络数据上进行节点分类和链接预测实验,效果较目前流行的网络表示学习方法优势明显。（3）针对基于图卷积神经网络的网络表示算法不仅忽略了潜在表征的数据分布,而且丢失了网络中节点之间的更高阶邻近度的问题,提出了一种基于对抗和随机游走正则化网络表示学习方法共同保留了结构和属性信息。此方法采用对抗训练方式使潜在表征拟合先验分布,并且通过使用skip-gram模型的损失函数,使随机游走序列中的节点的潜在表征在隐空间距离更近。在三个真实数据集中进行链接预测和图聚类任务,实验结果表明此方法较最新的网络表示学习方法具有更好的性能。