1.一种网络表示学习模型的训练方法，其特征在于，所述网络为社交网络，包括：获取网络节点之间的关联信息，基于所述关联信息建立网络节点的拓扑信息矩阵，所述网络节点为用户；获取所述网络中各个节点的属性信息，基于所述属性信息建立网络节点的属性信息矩阵，所述属性信息为文本信息，所述文本信息表示网络节点与相邻网络节点交互的内容；通过矩阵分解的方式将所述拓扑信息矩阵和所述属性信息矩阵同时投影到预设矩阵空间中，得到所述拓扑信息矩阵对应的第一矩阵，以及所述属性信息矩阵对应的第二矩阵，并计算所述第一矩阵和所述第二矩阵的相似性；根据所述拓扑信息矩阵、所述属性信息矩阵和所述相似性，构建网络节点表示向量，包括：根据所述相似性获取网络节点之间的结构向量和文本向量，根据所述结构向量和所述文本向量构成网络节点表示向量；将所述网络节点表示向量代入网络表示学习模型中，并对代入网络节点表示向量后的网络表示学习模型进行训练；所述计算所述第一矩阵和所述第二矩阵的相似性，包括：计算所述第一矩阵和所述第二矩阵的KL散度，其中，所述KL散度的计算，用于在学习过程中减少所述第一矩阵和所述第二矩阵的差异性。
2.根据权利要求1所述的方法，其特征在于，所述基于所述属性信息建立网络节点的属性信息矩阵之前，还包括：对获取到的各个节点的属性信息进行预处理。
3.一种网络表示学习模型的训练装置，其特征在于，所述网络为社交网络，包括：第一获取模块，用于获取网络节点之间的关联信息，基于所述关联信息建立网络节点的拓扑信息矩阵，所述网络节点为用户；第二获取模块，用于获取所述网络中各个节点的属性信息，基于所述属性信息建立网络节点的属性信息矩阵，所述属性信息为文本信息，所述文本信息表示网络节点与相邻网络节点交互的内容；计算模块，用于通过矩阵分解的方式将所述拓扑信息矩阵和所述属性信息矩阵同时投影到预设矩阵空间中，得到所述拓扑信息矩阵对应的第一矩阵，以及所述属性信息矩阵对应的第二矩阵，并计算所述第一矩阵和所述第二矩阵的相似性；构建模块，用于根据所述拓扑信息矩阵、所述属性信息矩阵和所述相似性，构建网络节点表示向量，包括：根据所述相似性获取网络节点之间的结构向量和文本向量，根据所述结构向量和所述文本向量构成网络节点表示向量；训练模块，用于将所述网络节点表示向量代入网络表示学习模型中，并对代入网络节点表示向量后的网络表示学习模型进行训练；所述计算模块，具体用于：计算所述第一矩阵和所述第二矩阵的KL散度，其中，所述KL散度的计算，用于在学习过程中减少所述第一矩阵和所述第二矩阵的差异性。
4.根据权利要求3所述的装置，其特征在于，所述装置还包括：预处理模块，用于在所述第二获取模块基于所述属性信息建立网络节点的属性信息矩阵之前，对获取到的各个节点的属性信息进行预处理。
5.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现如权利要求1至2任一项所述的方法。
6.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至2任一项所述的方法。
