信息技术和社交媒体的发展给诸多领域带来了大量数据，这些数据能够抽象出网络结构，反映出复杂系统的特性。作为复杂系统基本单元的节点，通过某种关系连接到一起，产生了相互作用并构成了复杂网络。挖掘网络数据背后的潜在信息，成为亟待解决的重要问题。许多机器学习技术的进步，为自动学习网络节点的向量表示提供了可能。
　　本学位论文针对复杂网络的表示学习问题展开研究。主要目的是将网络中的节点表示成低维实值的向量形式，使低维表示在向量空间中具有表示和推理能力，并将其作为机器学习模型的输入数据，从而应用于可视化、节点分类、链接预测和社区发现等任务。
　　第一章概述本文研究背景与主要工作。首先介绍复杂网络的研究现状，以及网络表示学习的最新发展。第二章提出基于高阶子图的网络表示方法。现有的大多数研究方法只是基于低阶的边信息建立的，所以使用模体矩阵获取高阶信息。首先定义网络节点之间的三阶模体相似度，然后将节点的一阶相似度和模体相似度都视为概率分布，通过最小化KL距离来保留相似度，从而获取向量表示。第三章提出了基于自组织映射的网络表示方法，然后将网络表示结果作为聚类算法的输入，从而完成社区发现任务。第四章则将网络表示技术用于数字通信网络的规划中，在网络仿真的基础上使用图神经网络提取拓扑特征，并使用遗传算法求解最优的网络拓扑结构，使其能够满足带宽、延时和成本等要求。