随着以互联网、5G为代表的信息技术迅速发展,人类的生产生活越来越依赖于各类复杂系统,如基于微信、Facebook等社交平台构成的社交网络以及由科研协作产生的科研合作网等。复杂网络是由节点及其连边所组成的拓扑结构。探索各类网络背后的动态演化机理,进而做出预测和调控是网络科学的重要研究课题。在网络的演化过程中,网络节点间的交互不仅是二元相互作用,很多情形下存在群体的交互行为,研究高阶交互对网络结构的影响对探索网络的演化规律有重要的意义。本文聚焦于构建结合高阶结构信息的图神经网络模型,进而探索网络演化机理并对网络进行预测和调控。文章主要针对以下问题和挑战展开研究:·如何有效的结合高阶结构信息和静态图神经网络进行网络链路预测?·如何在动态网络中融入高阶信息,更加高效地学习网络的演化模式?·结合网络拓扑以及动力学过程,如何有效调控网络目标链路状态以及相应拓扑的演化?1.发现了模体结构可有效提高图卷积网络的表达能力,结合自编码器框架提出了基于模体的图卷积网络模型,在多个数据集的链路预测任务上验证了模型的有效性。在自编码器框架下,提出了基于模体的图卷积网络模型,给出了网络的低维向量表示。在编码部分,在构建模体邻接矩阵的基础上,分别就每一类模体聚合邻居信息对节点进行表示并融合各类模体对应的表示,进而采用基于模体的自注意力模型给出了节点向量表示。解码部分采用向量内积的方式得到节点相似性评分。模型创新点在于给出了融合模体信息和自编码器的图神经网络链路预测模型。在不同数据集上的结果显示:融合网络模体信息,充分提高了模型的表达能力,在网络链路预测任务上优于大部分基准方法。进一步将模体结构和图注意力网络进行了融合,构建了模体注意力网络模型MGAT（Motif-based Graph Attention Neural Network）。创新点在于充分利用网络的高阶拓扑信构建了基于模体信息的图注意力网络模型,同时在预测网络结构的过程中,将节点间距离因素融入了解码器中,提高了模型的链路预测性能。通过在几个不同类型网络上的实验结果表明,模型显著的提高了图神经网络的表达能力,在链路预测上表现出良好的性能。2.发现了动态网络中高阶拓扑的重要性,提出了融合高阶拓扑和时序卷积网络的表示学习方法,进一步提高了动态图网络的表达能力。为探索网络动态演化模式和规律,提出了基于模体的时序卷积网络链路预测模型MTCN（Motif-based Temporal Convolution Network）。该模型对于指定时间窗口中每一时刻下的网络,运用基于模体的注意力模型得到了在指定模体下的表示。在此基础上,分别将每类模体下的网络表示输入一维因果卷积模型进行了该类模体的时序特征学习。进一步构建了基于时序网络的模体注意力模型,融合了各类模体的表示得到最终的节点表示,并结合自回归模型预测下一时刻的网络结构。创新点在于将模体信息融入时序模型,学习了模体的动态演化趋势。在交流网络和评分网络上分别进行了链路预测实验,验证了模型的有效性。3.针对于网络边状态的控制问题,提出了基于边动力学目标控制的k-travel模型,提供了控制目标边状态的优化方案。探索网络的演化机理旨在对网络进行调控,使得网络向有益于人类的方向演化。为基于复杂网络的边动力学模型,研究如何有效控制网络状态,针对于树状网络建立了基于边动力学目标控制的k-travel模型。对于一般网络结构,在构建递归的双层二部网络结构的基础上,给出了计算最少控制输入的贪婪算法TEC（Target Edge Control）。本章的创新点在于给出了计算控制目标边的最少控制输入的一种新方案。在两类人工网络和多个现实网络的实验中,分析了影响控制效率的拓扑因素且验证了TEC算法在大部分网络的控制效率上优于传统的结构控制方法。