属性网络表示学习旨在最大限度保留原始网络特征的同时，利用网络中丰富的结构与属性信息学习节点或边的向量表示，从而将拓扑空间的网络转化到欧式空间，这有利于后续网络分析任务的高效执行，因此受到国内外学者的广泛关注，成为近年来的研究热点。本研究对属性网络表示学习的代表性方法进行对比研究，首先按照网络的时序性、网络元素的多样性对已有工作进行分类，然后分别阐述了同构属性网络、异构属性网络、动态属性网络的表示学习方法，并对已有方法的核心技术、数据集、评测任务等进行对比研究，最后总结探讨未来可能的研究方向与挑战，旨在为属性网络表示学习的相关研究提供新的思路。