互联网络科技的迅猛发展促使复杂网络研究成为如今的热点,近些年来利用网络表示学习对复杂网络进行网络分析也越来越热门。然而现如今的表示学习方法缺乏关注网络结构等价性,而利用网络结构等价性进行风险计算被证实是一种有效手段。因此本文创新性地提出了同时利用网络全局和局部结构等价性的表示学习方法来进行风险计算。具体工作如下:首先,提出了互增强网络结构等价性的表示学习算法（DMER）。该方法首先针对网络的结构特征信息进行特征抽取,随后利用图卷积和自动编码机从全局和局部方面对网络结构等价性进行建模,然后利用一个参数共享的解码器进行相互增强,进而该模型能同时保留网络的全局和局部的结构信息。在公开数据上进行的效果评估,证明了本章方法的实用性。其次,提出了交叉注意力网络结构等价性的表示学习算法（DCER）。该模型针对节点邻居对网络的结构影响力不同,而使用图注意力模型进行建模。并利用交叉注意力机制使得变分自动编码机和图注意力机制模型能够更好的进行相互增强表示。进而使得模型具有良好的扩展性,可以用于大规模网络。最后,利用手机信令数据从四个方面针对诈骗人员、传销人员方面检测进行实证分析。从四个数据上学习用户的结构等价性表示,并与计算出来的潜在的风险用户比对,从而描绘出潜在用户风险画像,然后根据其经纬度在地图上绘制潜在的风险区域。以上工作的结果表明,本文确实能够利用网络的结构等价性原则而根据其节点的低维表示划分不同的角色。即在手机数据中,本文模型可以根据手机网络相关的网络结构特性,找出潜在风险用户,进行潜在风险区域识别,进而为决策者对社区安全进行重要的情报支持。