网络结构自然地表达事物间的联系,在日常生活的各个方面都有体现。如何合理地表示网络中节点的特征信息是图结构分析的一个重要研究内容。网络表示学习是节点特征学习的一类方法,将网络中的节点特征转化为低维稠密实数向量应用于后续的链接预测和节点分类任务中,传统的网络表示学习方法不足之处在于没有充分考虑节点的全局和局部特征,因此,本文充分考虑网络节点的拓扑特征提出SINE（Second Information Network Embedding）算法,并设计基于网络表示学习算法的蛋白质相似性预测算法,具体研究如下:（1）提出了一种融合节点二阶邻近度的网络表示学习算法。充分考虑网络拓扑结构特征,设计节点二阶邻近度计算测度,提出了融合网络中节点一阶、二阶邻近度的方法—SINE,用于丰富网络中节点的特征向量表示,挖掘节点隐藏的更多信息。将SINE算法应用于三种真实数据集,重构其网络结构,得到节点在网络中全局和局部的特征向量表示。通过分析SINE算法与Node2vec算法,以及其他融合了二阶相似度的网络表示学习方法——深层结构网络嵌入SDNE（Structural Deep Network Embedding）和大规模的信息网络嵌入LINE（Large-scale Information Network Embedding）,我们发现SINE算法在聚类任务中表现出更好的性能。（2）融合基因本体和蛋白质数据提出一种基于网络表示学习的蛋白质相似性预测模型。我们提出了一种融合基因本体（GO,Gene Ontology）数据的网络表示学习方法来计算蛋白质相似性的模型以便于更好的探究蛋白质之间的关系,传统对GO术语相似性评价的研究主要是基于GO术语之间的信息含量（IC,Information Content）来衡量蛋白质的相似性,GO术语的结构信息反而被忽略。因此,我们考虑GO术语的结构信息,应用不同网络表示学习方法,分别在GO图和GO-蛋白质注释（GOA,Gene Ontology Annotation）图中得到融合网络拓扑结构信息的蛋白质的低维向量表示,用动态时间归整（DTW,Dynamic Time Warping）算法和余弦相似度分别计算GO图和GOA图中的蛋白质相似性,再进行链接预测实验,来评估不同方法构建的蛋白质相似网络的可靠性。相较于传统的IC方法,基于网络表示学习的蛋白质相似性预测表现较为突出,其中基于随机游走的网络表示学习方法在计算蛋白质的相似性方面表现尤为突出,通过参数调节随机游走的采样方式,使其能探索到更多的结构性信息。因此,充分考虑图的结构信息能更有效的预测蛋白质相似性。