现实世界中存在许多网络结构的数据集,如社交账户网络、引文网络等,而此类网络数据集又可分为同构网络和异构网络。同构网络即网络中仅有一种节点类型,而异构网络中节点类型可能有两种或两种以上。对此类网络结构数据集进行数据挖掘以及学习分析能发现许多隐藏信息,已成为近来学术界以及工业界的研究热点。然而,网络结构的数据集无法直接输入现有的数据挖掘,机器学习算法,所以对于此类数据集,一个亟待解决的问题即如何表示网络,使其能进行下游的任务,以及尽量保留原始网络的信息。近年来的网络表示学习旨在用一个低维向量来表示一个节点,并且在该低维向量所在的空间中,节点之间的连接信息被尽量保留,即在原始网络中直接或间接连接的两个节点在低维空间中也应尽量靠近。本文着重研究同构网络和异构网络中的图嵌入表示,具体研究内容如下:（1）本文第三章采用基于图卷积神经网络（GCN）的节点嵌入方法,并将标签也作为节点嵌入与节点向量同维的空间中作为不同节点类型的“锚点”,在优化过程中引入锚点与节点向量之间距离的罚函数,解决了传统GCN中节点过拟合的问题。同时,考虑了标签之间的相关性信息,提高了在多标签图数据集上的分类效果。（2）本文第四章在图注意力网络（GAT）的基础上,进一步引入了特征维度的注意力机制,并使用二维矩阵代替行向量来表示节点特征。对由二维矩阵构成的节点特征,提出了一种多级图注意力网络来适应该特征矩阵,该网络可以对一个节点的不同邻居结点分配不同的注意力权重。最后我们在三个图数据集中执行我们的模型,实验证明我们的模型优于最先进的方法。（3）在第五章中本文提出了一种全新的在异构网络中得到节点嵌入表示的模型,该模型将一个节点的异类邻居节点通过一系列卷积,池化操作将邻居节点表示成行嵌入向量,并将该嵌入向量作为该节点的向量表示。同时,对图中有边相连的两两节点,采用不同的损失函数,优化节点的向量表示,从而得到保留图的结构信息和属性信息的最终节点嵌入向量。在多个数据集中的实验结果表明,本章模型在链路预测以及推荐任务中都能取得较好的效果。