随着Web3.0的深入发展,积累了海量的社交网络数据。如何表征网络是诸多社会分析任务的研究重点,因此,网络表示学习成了近年来的研究热点。网络表示学习从网络的性质特点出发,通过将网络嵌入到一个潜在空间,为网络中的每个节点学习一个低维度的稠密向量,该向量将作为节点的新特征,参与到像节点分类、链接预测等多种网络分析任务中。研究者们进行了大量的网络表示学习研究工作,但是,现有研究方法存在以下不足。一方面,大多数网络表示方法集中在对图的拓扑结构建模而忽略了属性信息,属性信息也能反映节点的特性,对于稀疏的网络结构而言,也是一种可利用的上下文信息;另一方面,随着属性网络表示方法的出现,节点属性得到了考虑,但节点及其属性之间的关系尚未被充分挖掘,对于属性的利用还停留在浅层。此外,现有的属性网络表示方法只能处理同质网络。针对以上问题,本文提出了一种新的思路:利用节点及其属性之间丰富的关系信息来学习到属性网络表示。我们首先对同质、异质网络中的信息进行探索,然后构建了同异质网络的节点和属性之间的各种关系,如“共享属性的节点、节点邻居的属性”,再通过对关系进行约束来学习得到网络表示。基于该思路的指导,我们从两种网络表示框架出发:对于“嵌入-约束”类方法,我们首先将节点分配到潜在空间,然后利用上述关系对其进行约束来训练学习;对于“特征提取-约束”类方法,我们提出了一种关系图卷积的方式来编码网络中的关系学到特征,再通过重构网络来训练学习。通过对关系的充分挖掘,结构信息和属性信息的潜在联系被更有效地利用,从而获得更有效的节点表示。我们在多个真实数据集上进行了实验。实验结果表明,我们的方法在多个社会网络分析任务和推荐任务上均能取得好的效果。通过分析对比两个模型的优缺点,我们也展望了未来的改进方向。