随着新媒体的快速发展,传统的网络表示已成为当今大规模网络处理和分析的瓶颈。网络中的节点在一定程度上彼此相关,这些关系导致大多数网络处理或分析算法存在的高计算量,因而无法实现迭代或组合等复杂计算并用于大规模现实世界网络。现有的大多为基于网络结构的网络表示学习,只考虑了网络基础的拓扑结构,而忽略了真实网络中蕴含的丰富结点本身的信息。为了使得网络结点在嵌入空间中也能很好地支持网络分析任务,提出一种新的网络表示学习方法,主要以包含结点信息的社交网络为研究背景进行,旨在结合大规模信息网络的特点和相关深度学习算法,从信息网络结构和结点所包含的文本信息出发,改进目前已有网络表示学习算法的不足,以获得更加有效的网络结点的嵌入表示。具体工作包含四个部分:(1)定义输入输出数据的形式,完成文本信息提取和作者信息网络构建。(2)设计一种自编码器模型,定义模型结构,以保留网络拓扑结构所表示的结构特征。(3)通过主题提取算法提取网络中结点所包含的结点信息,将结点信息的主题因素融入其中,以保留其所表示的语义特征。(4)定义两种损失函数,同时保留全局网络结构的相似性和结点的语义相似性,通过自编码器将两类相似性融合到网络结点低维特性表示中,得到基于主题提取的网络表示学习。通过在真实社会网络数据集aminer上的实验表明,与同类型仅考虑结构信息的网络表示学习方法比较,通过同样的基础机器学习任务评价其有效性,基于主题提取的网络表示学习方法在聚类分析结果上均优于其他对比的网络表示学习算法。实验结果表明,加入主题因素能得到更有效的网络表示学习,提升聚类效果。