大数据时代的到来使得生物分子网络的构建更加可行,而传统的数据挖掘任务也逐渐运用于这些网络之中。过大的网络意味着昂贵的存储代价,并且直接在庞大的网络上做复杂推理的可行性较低。因此,网络表示学习成为了相关数据挖掘任务中的重要步骤。受生物实验限制,基因网络中存在许多未被挖掘的潜在交互。本文以基因网络为研究对象,主要包括以下两个方面的工作:（1）本文提出了一种基于生成对抗模型的网络嵌入算法AWGI,其结合随机游走在网络表示学习前对缺失的邻接信息进行补充。AWGI旨在生成与网络真实的游走路径具有高相似度的节点序列并从中学习节点表示。这可以减少网络不完整问题对表示学习效果的影响,进而掌握节点真实的链接分布。本文将AWGI与其它经典的网络嵌入算法进行了对比,并通过不同实验证明了 AWGI进行网络嵌入的结果优于其它算法。AWGI在基因网络链接预测任务中综合提高了 2%至4%的准确率。（2）不同的基因网络在规模和交互类型上具有多样性,并且在不同的研究任务中表现差异大。本文提出完善基因网络的NIHO算法,其整合多个网络的结构信息来挖掘基因之间潜在的关联,并通过添加这些关联实现网络补齐优化。NIHO利用卷积神经网络来提取并融合多个基因网络的结构特征,并通过矩阵策略在低维空间中重建网络以形成端对端的学习方式。在得到基因表示后,NIHO通过矩阵映射计算基因之间的关联强度,并基于关联度推测基因间潜在的交互。本文使用“基于基因集的评估基准”准确衡量基因网络的性能变化,并且设计了不同的实验来验证NIHO的有效性及可扩展性。最后,本文将AWGI算法运用到蛋白质交互预测研究之中,实验证明AWGI能够相较于其它方法单独预测出229对已经被验证过的蛋白质交互。