社交网络作为人们日常生活的重要组成部分,已逐步从简单的即时通讯工具过渡到热点推送、复杂公共服务和在线支付等综合化应用平台,成为了包含各领域的虚拟生态圈。因此,如何提高用户对网络平台的粘性,高效利用网络资源已成为学术界与产业界的研究重点。社交网络表征作为网络社区划分、好友预测、资源推荐等诸多网络问题的研究基础,具有较高的普适性和研究价值。本课题对如何准确、高效的表征网络展开研究,具体内容包括:1)通过对国内外网络表征的相关研究调研,分析了社交网络特性,将自然语言处理中的词嵌入模型word2vec引入社交网络。遍历网络节点形成序列,以模拟模型训练中的输入语句。为提高遍历效率,提出带有约束策略的网络节点遍历规则,根据节点分布减少遍历次数,缩减生成序列数量,提升网络整体表征的时间效率。2)在生成网络序列基础上,根据社交网络结构所具有的聚簇特征,在标签传播思想的启发下,提出基于社交网络关键节点的类标签传播式网络表征算法。即通过寻找相似度较高的关键节点,挖掘节点共同邻居,修改word2vec模型,使极有可能存在于同一社区中的节点携带相似的“标签”,利用类似标签传播的方式提高网络用户表征能力。3)社交网络不仅存在结构特性,网络用户间也存在类似点赞、转发等交互行为。依据用户间交互信息,建立基于交互行为的网络表征模型,提高网络表征效果。最后利用BlogCatalog数据集与微博数据集进行实验,将本文算法与主流网络表征模型进行比较。结果表明,根据网络节点幂律分布约束网络遍历次数,可以在一定程度上提高网络表征算法效率;利用网络关键节点及节点交互信息,可以有效提高网络表征的准确性。