随着互联网与社交网络的极速发展,人们获取信息的渠道更加广泛,传统的线下社交互动也逐渐转变为线上社交互动。更加频繁的社交活动产生了大量的社交信息,这些纷繁复杂的信息随着社交网络活动爆炸性地传播到不同的用户群体,并使用户的行为方式发生了转变。同时,这些变化极大地促进了社交网络分析的发展。目前,社交网络分析技术已经成功地运用到了许多现实场景当中,例如线上社交的好友推荐、购物网站基于用户社交关系的商品推荐、新闻App基于用户社交关系的内容推送等领域。要将社交网络分析运用到这些生产生活场景中,一个重要的议题就是如何将网络拓扑结构本身高效地融合到诸如上述应用当中。为了更好地将网络拓扑结构中蕴含的丰富信息予以保留并加以运用,本文着力于研究一种基于深度学习技术的网络嵌入(Network Embedding)表示学习算法。本文首先研究了网络的结构信息嵌入表示问题,并给出问题的形式化定义。然后,针对网络嵌入表示学习任务中网络不同种类的结构信息,研究并提出了利用对抗自动编码器(Adversarial Autoencoders)进行网络嵌入表示学习的算法ANE,利用与网络结构相适应的目标函数学习网络拓扑结构的隐编码,并利用对抗训练缓解深度自编码器带来的流形破碎问题。为了验证ANE算法的有效性,本文在三个实际的数据集上进行了充分的实验,实验表明ANE算法在网络嵌入表示学习任务中及不同的网络分析应用上均有良好的表现。目前,大部分社交网络分析是基于线上社交应用当中形成的社交网络,本文针对金融场景下银行交易数据进行研究,选取银行客户转账交易数据构建模拟社交网络,设计了基于社交网络分析的社会化精确营销系统,并实现了用户画像可视化原型子系统。使用该原型子系统能够更加直观地展现用户本身、所属群体属性以及社交关系,有效提升银行营销的针对性。