网络是表示物体与物体之间联系的一种重要方式,它广泛存在于各种复杂系统中,如铁路交通网、国家电网和在线社交网络等。随着移动互联网和大数据技术的飞速发展,网络的规模和复杂度不断提高,同时网络中存在更丰富的信息和价值,这使得复杂网络分析引起了许多来自不同领域的学者的兴趣。然而,传统上这些复杂网络分析任务都采用高维稀疏向量的网络表示形式(如邻接矩阵)作为机器学习算法的输入,这种形式的网络表示不能反映网络中节点之间的内在联系且存在稀疏性的问题,对机器学习算法的效果造成了一定的局限性。因此,研究如何从网络中提取出一种有效的表示形式为后续机器学习算法带来增益是十分必要的。网络表示学习是将网络信息嵌入到低维稠密特征空间中,之后每个节点的表示向量就可以作为节点的特征应用于后续的网络分析任务中。大部分现有算法能较好地将网络拓扑结构信息嵌入到节点的表示向量中,但是这些算法基本忽略了将网络的社区信息和多层全局结构信息嵌入到节点的表示向量中。针对现有算法存在的缺陷,本文分别提出基于密母算法和多尺度表示的两种网络表示学习算法,来学习网络中节点的低维稠密表示向量。这些工作包括:(1)基于密母算法的网络表示学习:为了将网络的社区信息嵌入到节点表示向量中,该方法以模块密度函数为适应度函数,利用密母算法不断更新迭代网络表示向量来优化适应度函数,从而得到具有社区性的节点表示向量。针对密母算法的局部搜索步骤,该方法设计了一种两层学习策略,有效地加速了优化过程。实验结果证明了该方法能有效地将社区信息嵌入到节点表示向量中。(2)基于多尺度表示的网络表示学习:为了将多层的全局结构信息嵌入到节点表示向量中,该方法利用随机游走挖掘出原网络中不同规模的子图作为超节点,根据计算连接强度得到这些超节点之间的边,从而构建出多尺度网络,在每个尺度的网络上学习得到网络表示,最后融合多尺度网络表示得到原网络的节点表示向量。实验表明,得到的节点表示向量能有效地保存多层的全局结构信息。