随着在线社交网络用户数量的飞速增长,大规模的图存在维度高和数据稀疏性等特征,使得从这些图中挖掘有价值的信息成为一个挑战性问题。网络表示学习通过将图中的节点映射到低维空间中,用低维向量之间的相似度表示节点之间的关系,从而使得对大规模图进行数据分析和挖掘成为可能。网络表示学习得到的低维向量可以应用到诸如节点分类、链接预测和网络可视化等下游任务中。另外,实际网络常常又是一种属性网络,因为其中的节点往往都带有丰富的属性特征。因此,研究属性网络的表示学习方法是很有必要的。社区搜索问题只关心查询节点所在的社区,将问题的规模极大地进行了简化,使得大数据下的图搜索成为可能。属性社区搜索是要找到一个查询节点所在的具有特定属性的社区。现有的社区搜索算法只研究了密集子图的社区结构,但是由于图数据本身的不完整性,导致搜索结果与真实社区相差较大。同时,现有的社区搜索算法以查询节点为社区的中心可能产生社区偏移问题。针对上述问题,本文对网络表示学习模型和基于该模型的属性社区搜索问题进行了研究,具体工作主要包括:首先,提出一种属性网络表示模型,能够提取网络的结构和属性特征,并将结构和属性特征非线性地融合,以得到网络的低维表示矩阵。给出属性网络表示学习问题的相关概念及描述,描述了模型的结构、损失函数和数据在模型中各层之间传递的过程,并给出了模型的训练步骤。最后在Blog Catalog3、Facebook、DBLP三个数据集上进行实验,将学习到的表示向量应用到图重构、多标签分类、链接预测三个任务中,与已有的模型进行比较和分析。实验结果验证了本文所提模型在属性图中有更好的表示学习效果。其次,基于上述的网络表示模型,提出一种加入隐藏关系的属性社区搜索方法。在给出属性社区搜索问题的描述基础上,详细描述了属性社区搜索方法的基本思想和形式化描述。该属性社区搜索方法通过加入社区偏移纠正算法和隐藏关系发现算法,对现有的社区评分方法进行了改进,解决了社区偏移问题和图数据不完整问题。在实验部分,进行了四部分对比实验。实验结果验证了本文所提方法的正确性和可行性,通过实验结果的对比分析,本文所提的社区搜索方法比其他社区搜索算法在F1值上有更好的表现,验证了所提方法的可行性和正确性。