随着互联网的飞速发展,在我们的日常生活中网络数据无处不在,如何挖掘这些网络中的信息供我们使用是非常重要的,网络表征学习是常见的数据挖掘方法,但是,现有的网络表征学习方法忽略了许多关键性问题如忽略隐变量的数据分布,未能充分利用现实网络数据等相关问题。基于此,本文提出了一个新颖的基于对抗图卷积的网络表征学习框架AGCN(Adversarial Graph Convolutional Networks)来解决以上问题。同时,在进行网络表征学习时,考虑到不同任务之间的相关性,本文在AGCN的基础上提出了一个具有创新性的端到端的多任务学习模型MTL(Multi-task Learning)。本文的主要研究内容如下:1.提出了AGCN框架。我们以自编码网络为基础框架,在其基础上引入GCN网络和GAN网络,进行二者的巧妙结合形成了AGCN模型。应用GCN网络不仅可以捕捉网络的拓扑结构,而且可以充分利用网络数据的属性信息,进而提高模型的精度,两层GCN的堆叠可以更有效的捕捉网络的高阶非线性结构。对于从GCN网络中生成的特征向量,应用GAN网络,强制该特征向量匹配先验分布,这样,网络表征学习的效果会有进一步的提高。2.提出了MTL框架。该框架是一个端到端的多任务学习框架,我们充分考虑了节点分类和链接预测之间的联系,使得两个任务在统一的框架中训练学习,能够在单个学习阶段同时执行两个操作,提高模型的效率。在MTL框架中,以AGCN为基础,在AGCN的基础上进行扩展,在自编码网络的解码层部分用了两层的多层感知机(MLP)用于得到特征向量。从编码层得到的特征向量输送到解码层的第一层MLP中,用于进行节点分类,然后把该层得到的向量输送到第二层MLP中,用于进行链接预测。这样二者相辅相成,共同构成了MTL框架。在三个著名的引文网络数据集上的实验结果也证明了本文提出的AGCN模型和MTL模型的有效性。