随着社交网络、科研合作网络和万维网等信息网络的不断发展,具有网络结构的数据呈现爆炸式增长。如何合理地表示网络中的特征信息已成为网络分析的关键问题。网络表示学习(又称为网络嵌入)旨在将网络中的组件(节点、边或子图等)表示成低维的稠密向量,同时最大程度地保留组件在原网络中的信息和属性。由网络表示学习方法得到的表征向量可进一步与机器学习算法相结合应用到网络分析任务中。近年来,网络表示学习得到了广泛关注,研究者们针对信息网络设计了不同的表示学习算法,在很大程度上推动了该领域的发展。本研究面向同构网络和属性网络,将近年来相关的网络表示学习工作进行了分类介绍,并对比了不同算法的优缺点。