网络表示学习在复杂网络数据挖掘领域有重要的影响力，其因能够有效编码网络结构特征与网络节点附属特征而得到广泛的应用。网络表示学习旨在将研究对象之间的上下文关系、结构关系、层次关系等嵌入低维度的表示向量空间中，从而为后续的机器学习任务提供更为优质的特征输入。
本书共6章。其中，第1章主要介绍网络表示学习的基本概念和研究进展；第2章主要介绍网络表示学习的理论知识；第3章主要介绍如何改进网络表示学习中的随机游走过程；第4章主要介绍如何联合网络的两类特征进行网络表示学习任务；第5章主要介绍如何联合网络的3类特征进行网络表示学习任务；第6章主要介绍网络表示学习的应用。
本书既可作为网络表示学习、图神经网络、数据挖掘、社会计算、复杂网络等领域研究和开发人员的参考书，也适用于企业开发者和项目经理阅读，还可供对图深度学习感兴趣的本科生和研究生参考。

赵海兴，博士，现任青海师范大学副校长、教授、博士生导师，省部共建藏语智能信息处理及应用国家重点实验室主任，教育部“长江学者与创新团队”负责人；入选国家百千万人才工程，教育部新世纪优秀人才，享受国务院政府特殊津贴专家，青海省优秀专家；中国五四青年奖章获得者，全国模范教师；全国运筹学会和组合与图论学会常务理事，青海省党外知识分子联谊会常务理事。主要从事网络科学、信息处理及文化服务等研究工作，现主持国家重点研发计划项目1项，国家自然基金1项；已主持完成1项科技部973前期研究专项、5项国家自然科学基金项目，其中3项成果分别获青海省科技进步一等奖、二等奖和三等奖。在《中国科学》、《计算机学报》、Theoretical Computer Science等刊物发表论文80余篇。

第1章 绪论
1.1 网络表示学习基础知识
1.2 网络表示学习研究进展
1.2.1 词表示学习
1.2.2 网络表示学习
1.3 本书研究内容
第2章 Word2Vec与DeepWalk
2.1 Word2Vec
2.1.1 NEG
2.1.2 HS
2.1.3 CBOW模型
2.1.4 Skip-Gram模型
2.2 DeepWalk
2.2.1 语言与网络
2.2.2 随机游走
2.2.3 模型建模
2.3 Word2Vec与DeepWalk的关系
第3章 网络表示学习中的随机游走
3.1 改进上下文节点选择过程
3.1.1 问题描述
3.1.2 模型框架
3.1.3 实验分析
3.2 改进随机游走策略和节点选择过程
3.2.1 问题描述
3.2.2 模型框架
3.2.3 实验分析
第4章 二视图特征联合建模
4.1 文本特征关联的最大隔DeepWalk
4.1.1 问题描述
4.1.2 模型框架
4.1.3 实验分析
4.2 节点文本特征多元关系建模
4.2.1 问题描述
4.2.2 模型框架
4.2.3 实验分析
4.3 节点层次树多元关系建模
4.3.1 问题描述
4.3.2 模型框架
4.3.3 实验分析
第5章 三视图特征联合建模
5.1 基于诱导矩阵补全的三元特征矩阵融合策略
5.1.1 问题描述
5.1.2 模型框架
5.1.3 实验分析
5.2 三元特征矩阵融合策略与网络表示学习
5.2.1 问题描述
5.2.2 模型框架
5.2.3 实验分析
第6章 网络表示学习与词表示学习
6.1 网络表示学习与词表示学习中的应用
6.2 基于描述信息约束的词表示学习
6.2.1 问题描述
6.2.2 模型框架
6.2.3 实验分析
参考文献