网络表示学习的主要任务是为网络中的结点学习低维稠密的向量表示,为结点分类、链接预测、结点聚类等网络分析任务提供高效的数据支持。现有的网络表示学习方法主要包括结构表示学习和属性表示学习两类,然而,研究者们在建模网络的结构特征和属性特征时通常只考虑常规结点特性,忽略了边缘结点在网络中的重要性。虽然边缘结点在网络的数量往往低于常规结点,但是在解决网络分析问题时却起着至关重要的作用。研究面向边缘结点的表示学习方法对提升网络分析各类任务有效性具有重要意义,同时也面临着诸多挑战:1)如何有效的融合结点的结构信息和属性信息,从多个角度更全面的学习结点特征;2)如何有针对性的建模边缘结点和常规结点之间的关联关系,以更好的区分边缘结点和常规结点的主要特征。针对上述问题,本文提出一种面向边缘结点发现的属性网络表示学习方法ANE_BN,该方法通过融合网络的结构信息和结点的属性信息,建模网络结构表示与属性表示之间的关系,可以实现结构特征稳定性与属性特征实时性的互补。该方法首次将结构表示学习和属性表示学习方法应用到边缘结点的表示学习问题中,不仅考虑了边缘结点属性建模,还考虑了如何将属性信息和结构信息融合到结点表示学习模型中。具体而言,首先,通过融合高阶网络结构信息计算结点在网络结构方面的相似性,通过余弦相似性计算结点在属性方面的相似性,为结构表示和属性表示学习提供数据支持。然后,通过非负矩阵分解方法分别建模结点在网络结构和属性两方面的表示学习模型,并通过引入关联矩阵建模结构特征和属性特征之间的关系,从而实现结构稳定性和属性实时性之间的优势互补。此外,为了使学习得到的向量表示包含更多的重要信息,我们通过稀疏学习对模型参数进行约束。最后,为了增加算法收敛的稳定性,体现模型训练的合理性,我们通过交替优化算法进行参数学习。在实验中,通过真实的标准数据集并与现有的经典算法对比验证了本文所提算法ANE_BN的有效性。实验结果表明ANE_BN方法在保证常规结点表示学习有效性的前提下,可以更好的提升边缘结点表示在各类网络分析应用中的有效性。