网络表示学习（NRL）旨在学习网络顶点的潜在、低维表示，再将得到的表示用于下游的网络分析任务。针对现有采用自编码器的NRL算法不能充分提取节点属性信息，学习时容易产生信息偏差从而影响学习效果的问题，提出一种基于优化图结构自编码器的网络表示学习模型（NR-AGS），通过优化图结构的方式提高准确率。首先，融合结构和属性信息来生成结构和属性联合转移矩阵，进而形成高维表示；其次，利用自编码器学习低维嵌入表示；最后，通过在学习过程中加入深度嵌入聚类算法，对自编码器的训练过程和节点的类别分布划分形成自监督机制，并且通过改进的最大均值差异（MMD）算法减小学习得到的低维嵌入潜在表示层分布和原始数据分布的差距。此外，NR-AGS使用自编码器的重构损失、深度嵌入聚类损失和改进的MMD损失共同优化网络。应用NR-AGS对3个真实数据集进行学习，再使用得到的低维表示完成下游的节点分类和节点聚类任务。实验结果表明，与深度图表示模型DNGR（Deep Neural networks for Graph Representations）相比，NR-AGS在Cora、Citeseer、Wiki数据集上的Micro-F1值分别至少提升了7.2、13.5和8.2个百分点。可见，NR-AGS可以有效提升NRL的学习效果。
