网络语义表示与分析是人工智能与大数据时代的基础研究问题。随着互联网及信息技术的快速发展，网络数据规模呈爆炸式增长，高质量的网络语义表示可以促进计算机有效理解数据的丰富内涵，完成多种基础的网络分析工作并支持实际应用。然而，面对现实世界中日益复杂的分析需求，不同主体之间形式各异的互动行为产生了规模庞大、高度复杂且存在大量隐藏关联的信息网络，当前亟需研发既能够保留大规模网络的整体结构特征，又能够挖掘网络隐藏关联的全局性网络表示学习方法。

       目前已有的网络表示学习方法多数局限于网络的局部显性结构，无法表示大规模、复杂多样的网络全局结构及其包含的隐藏关联。基于以上研究现状，本论文有针对性的探索了如何建模网络全局性结构，挖掘网络隐含语义，从而提高网络语义表示学习的能力并更有效的服务于现实应用。具体来说，本论文分别提出了基于量子纠缠联想认知理论的网络隐藏语义表示模型，和基于全局异质结构空间的节点结构角色语义表示模型，并进一步将两种模型联合应用于社交媒体信息传播建模与爆发预测任务。本论文的主要创新点和贡献归纳如下：

       1. 提出基于量子纠缠联想认知理论的网络隐藏语义表示学习模型。

       首先，通过对比联想认知理论中量子纠缠激活语义记忆所需要素与网络语义关联关键要素的一致性，论证了将量子纠缠联想认知理论应用于网络表示学习工作的可行性和应用价值。在此基础上，将节点的邻域网络视为能够产生量子纠缠效应的复合量子系统，提出符合人脑联想认知模式的节点隐式语义关联，提升对网络深层隐藏语义的理解。最后结合网络中的节点显式结构关联，提出面向全局性隐藏语义的网络表示学习模型 QIIA。通过在多种网络数据上的实验表明，本论文提出的模型在节点分类、节点聚类和可视化等网络分析任务中取得效果提升，能够有效挖掘节点之间的隐藏语义，提升模型对网络语义的表示能力。此外，研究将量子纠缠模型引入网络表示学习领域，并通过大量实验论证了该方法的可行性和有效性，这对于探索量子理论在智能学习的应用方面有重要价值。

       2. 提出基于全局异质结构空间的节点结构角色语义表示学习模型。

       首先，对异质网络节点的全局异质结构近似性进行定义并提出通用的结构近似性学习框架。然后，为了使异质网络中不同类型的节点共享相同的向量空间，以便于衡量异质节点的结构近似性，提出一种基于全局异质结构空间的通用网络转换方法。在此基础上，实现了由局部到全局的节点异质结构近似性建模方法，并提出了节点的全局异质结构角色表示学习模型 gs2vec。通过与现有的基准方法进行比较，验证了 gs2vec 模型可以较好地从异质网络中捕获节点的全局结构特征，区分节点的结构角色，并且在节点分布可视化、节点分类和节点聚类等基础任务中具有较好的性能。

       3. 提出基于全局性隐藏结构表征的社交媒体内容传播模型，旨在解决信息爆发的早期预测问题。

       社交媒体内容传播模型 UnionIUT 以信息为研究对象，通过观察信息传播初期的传播情况预测未来是否会呈现爆发状态。模型提出了学习信息传播关系中的隐藏传播角色特征和用户互动关系中的隐藏语义关联特征的方法，并联合信息传播的时序特征对社交媒体的信息传播进行建模，实现信息爆发的及时预测。通过在实际数据集上与现有方法进行对比实验，论证了 UnionIUT 模型在信息爆发预测问题上的有效性。与已有方法相比，UnionIUT 模型挖掘了网络的全局性隐藏语义特征，能够充分学习小样本的稀疏数据，并且分析的有效性不需要依赖长时间的信息传播监测，这对于信息早期的传播分析和爆发预测有重要意义。