复杂的信息网络分析是在信息传播，企业营销的一个重要研究领域，个性化推荐，以及社会影响力分析等。我们在本期特刊专注于复杂的信息网络，是指以动态的，异构的，属性，网络，和/或直接的信息网络。在异构信息网络中，节点与多个不同类型的边连接，并且节点代表不同类型的实体（例如，公交车站和地铁站中的公共交通网络）。在动态信息的网络，这些网络的拓扑改变了作为节点/边缘被添加或删除的时间。此外，边缘总是被定向，并且节点通过多个属性来表征。如何矿行为特点和规律，从复杂的信息网络是相关的应用至关重要。两两关系只能提供有关当地社区的见解和可能不能推断全球分层的网络结构，它是复杂的网络至关重要。因此，我们需要改进的方法和特征提取算法，以提高复杂系统的预测精度，由于网络数据的复杂性和多样性。如何设计有效的网络表示了能够保持网络的层次结构，是今后工作的一个有前途的方向。

学习复杂的信息网络深结构表示旨在突出的曲线成低维向量空间。数据挖掘和机器学习的方法可以轻松应对进一步的应用，如链路预测，节点分类，异常检测，以及社区检测网络表示。由于信息网络的复杂性，设计新颖的网络表示应对网络的异质性和演化是一个具有挑战性和有前途的话题。

本期特刊的目的是征求对深层结构代表的基础研究和学习复杂的信息网络的贡献。提交讨论并引入新的算法基础和代表性形式主义也欢迎。我们也寻求网络表示研究应用于商业，社会学，生物学，健康，而且有助于解决现实世界的问题的复杂信息网络的其他工业应用。综述文章讨论艺术的当前状态也受到了欢迎。

潜在的主题包括但不限于以下内容：

• 图嵌入
• 图神经网络
• 生成对抗性网
• 对于社交网络的深层神经网络
• 在线社会网络分析
• 基于随机行走的算法
• 矩阵分解为社交网络
• 社会影响力分析
• 链接预测
• 节点分类
• 社会异常检测
• 社区检测
• 社会推荐系统
• 知识图学习
• 图生成
• 网络动态
• 异构社会网络分析
• 子图结构学习