随着互联网的飞速发展,每天都会产生大量社会多媒体数据。这些社会多媒体数据中包含大量的关系信息,它们被广泛用于推荐系统、专家发现等重要的应用以挖掘有价值的信息。网络（数据结构）被广泛用于建模社会多媒体数据中的关系信息,网络结构的社会多媒体数据又被称为社会多媒体网络。近几年来,随着深度学习等机器学习技术的发展,涌现出大量面向社会多媒体网络的应用。实现这些应用所需要解决的基础问题之一,是如何有效地学习网络中节点的低维特征表示,以更好地捕捉网络节点隐含的语义信息。许多社会多媒体网络应用依赖于网络节点表示所提供的语义,且可以得益于更好的网络节点表示。然而,真实世界中社会多媒体网络的结构具有异构性和稀疏性,网络节点也可能会关联多种模态的内容数据。因此,社会多媒体网络表示学习是一项具有挑战性的任务。本文研究社会多媒体网络表示学习方法及其应用,并设计了面向具体任务的模型。本文主要工作如下:（1）针对社会多媒体网络数据的异构性、稀疏性和多模态性,提出一种基于注意力协同的多模态异构网络表示学习模型A2CMHNE。模型使用元路径捕捉异构多模态网络中隐藏的结构信息和多模态内容信息,并分别学习基于结构信息和内容信息的节点表示。在此基础上,提出一种基于注意力机制的协同框架来融合节点的结构表示和内容表示,以获得鲁棒的节点表示。在网络节点分类和链接预测任务上的实验结果验证了在异构多模态网络表示学习中协同网络结构信息和多模态信息可以有效地应对网络的异构性、稀疏性和多模态性。（2）针对多模态社区问答匹配任务中社会元素的异构性,提出使用异构网络建模问答及其关联的社会元素,并设计相应的网络表示学习方法捕捉问答的社交上下文语义信息,在此基础上提出了多模态注意力交互卷积匹配模型MMAICM。MMAICM使用元路径捕捉异构社区问答网络中隐藏的结构信息,以学习问答节点的社交上下文表示。问答节点社交上下文表示所提供的语义信息被用于构建注意力模型,辅助匹配模型捕捉问答多模态内容之间有意义的交互,最终提升问答匹配的性能。在两个真实社区问答数据集上的实验结果验证了通过网络表示学习获取的问答社交上下文信息对捕捉问答之间匹配模式的有效性。（3）针对多模态社区问答匹配任务中数据的多模态性,提出使用网络建模问答的多模态内容信息,并基于构建的网络学习多模态内容的层次化高阶语义表示,以捕捉问答多模态内容之间的语义级交互特征,在此基础上设计了层次图语义池化网络HGSPN。HGSPN第一次提出在社区问答匹配模型中使用网络建模多模态内容,以建模多模态内容中非连续和长距离的语义以及视觉信息。在此基础上,设计了一个栈式图池化网络以捕捉问答多模态内容之间层次化的语义级交互信息,并提出一个卷积匹配网络用于集成这些语义交互特征以进行问答匹配。在两个真实社区问答数据集上的实验结果验证了使用网络可以有效地建模多模态内容之间的语义交互信息。