当前,网络表示学习作为众多网络分析任务的一个关键手段,已经越来越受到众多学者的关注。网络表示学习的目的是针对网络中的每一个节点学习一个低维、稠密、连续且具有推理能力的属性向量。该向量不仅可以衡量真实网络中点与点之间的空间关系,且能够深层次地揭示网络节点之间潜在的特征,并作为原始特征应用到其他网络分析任务中。目前,主流的网络表示学习策略一般把网络拓扑结构或者节点属性内容作为方法的关注点及模型设计的切入点。基于网络拓扑结构的方法着重解读网络原始结构关系,譬如节点的一阶近似性、二阶近似性、高阶近似性等。而近似性的表示方法也大同小异,主要有随机游走、邻接矩阵或取样等方式获取。关于点的属性内容,主流方法依赖于自然语言处理手段、深度学习工具或主成分分析等降维方法将点的属性内容解析成富含语义关系的点的语义表示,并将该语义表示和基于网络拓扑生成的网络表示共同融合生成最终的节点表示。边内容作为网络内容的一部分,对节点的网络表示学习有着十分重要的研究价值,然而至今却仍然被已有的网络表示方法所忽视。边属性内容和点的属性内容同作为文本属性存在有着很强的相似性,因此极易被简单地转化为低分辨率的节点内容来处理。当前一般的处理方法均存在以上的弊端,因此难于充分利用高分辨率的边属性内容信息。针对网络中存在的丰富的边属性内容,迫切需要一种可直接充分融入边内容的网络节点表示学习方法。为了实现上述目的,本文针对边内容信息提出了一种直接有效地利用边内容来强化网络表示学习的方法,并针对其模型的正确性、有效性、复杂度等展开了一系列研究。除此之外,本文还设计了相关实验在真实网络数据集上进行了验证。进而针对该模型存在的问题,提出了有效的扩充方案,从整体上解决边内容强化网络表示学习的这一难题。