隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，面向復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)的網(wǎng)絡(luò)表示學(xué)習(xí)方法受到越來(lái)越多的關(guān)注，其旨在學(xué)習(xí)網(wǎng)絡(luò)中節(jié)點(diǎn)的低維度潛在表示，并將學(xué)習(xí)到的特征表示有效應(yīng)用于基于圖的各種分析任務(wù)。典型的淺層隨杋游走網(wǎng)絡(luò)表示學(xué)習(xí)模型主要基于節(jié)點(diǎn)結(jié)構(gòu)相似和節(jié)點(diǎn)內(nèi)容相似，不能同時(shí)有效捕獲節(jié)點(diǎn)結(jié)構(gòu)和內(nèi)容的相似信息，因此在結(jié)構(gòu)和內(nèi)容等價(jià)混合的網(wǎng)絡(luò)數(shù)據(jù)上表現(xiàn)較差。為此，探索了節(jié)點(diǎn)結(jié)構(gòu)相似和節(jié)點(diǎn)內(nèi)容相似的融合特征，提岀了一種基于無(wú)監(jiān)督淺層神經(jīng)網(wǎng)絡(luò)聯(lián)合學(xué)習(xí)的表示方法SN2vec。實(shí)驗(yàn)分別利用節(jié)點(diǎn)結(jié)構(gòu)和內(nèi)容等價(jià)混合的 Brazilian air- traffic， American air- traffic， Wikipedia數(shù)據(jù)集在多標(biāo)簽分類和降維可視化任務(wù)上進(jìn)行驗(yàn)證。結(jié)果顯示，SN2vec在多標(biāo)簽分類任務(wù)中的MirσFⅠ值優(yōu)于現(xiàn)有的淺層隨機(jī)游走網(wǎng)絡(luò)表示方法并且可以較好地學(xué)習(xí)到潛在結(jié)構(gòu)表示一致的節(jié)點(diǎn)。