图结构数据广泛存在于现实生活中。由于其非欧式空间数据的特性导致现有大部分方法无法直接处理这类数据,因此如何进行图表示学习备受关注,其中图表示学习旨在为下游任务提取具有高可分性的节点表示。同时,越来越多的证据表明,与单视图图结构数据相比,多视图图结构数据可以提供更全面的节点间关系,从而可以更加全面地捕捉节点间的内在联系。然而,以无监督的方式从多视图图结构数据中挖掘每个节点的节点表示却很少受到关注。为此,本文提出了一种新的无监督多视图图表示学习方法:MVDGI（Multi-view deep graph infomax）。本文主要工作如下:首先,本文阐述了多视图图结构数据的研究背景、意义和现状,介绍了近年来的一些具有代表性的图表示学习方法。然后本文提出了一种基于对比学习的多视图图表示学习方法。该方法的核心是通过对比学习来最大化各个视图的节点表示和图表示之间的互信息以及通过注意力机制来融合多视图信息,从而能够无监督地学习到多视图图结构数据的节点表示。具体地,MVDGI首先将图的初始特征矩阵打乱并保持拓扑结构不变来构造负样本,然后使用编码器从各个视图为正负样本提取与视图相关的节点表示。在这之后,MVDGI使用聚合器将上述正样本的节点表示融合成与视图无关的节点表示,这一节点表示将会直接用于下游任务。模型最终通过对正负样本对进行分类来更新参数,从而提取具有高可分性的节点表示。最后,本文对所提出的方法进行大量实验验证评估,实验结果证明了该方法在图表示学习这一任务中的有效性和稳定性,其效果甚至可以和有监督方法相当。综上所述,本文的主要贡献是:（1）本文提出了一种基于对比学习的多视图图表示学习方法,该方法能够更好地捕捉节点之间的内在联系并且能够显著地提升学习得到的节点表示的可分性;（2）本文利用基于注意力机制的聚合器来融合多个视图的信息,其中各个视图的权重是经过自适应学习得到的;（3）本文通过局部-全局对比模式来使学习得到的节点表示包含更多的全局信息,这一方法可以显著改善模型的效果。关于这一对比模式的信息论分析也验证了其有效性。