作为网络分析的一个重要任务,链路预测(Link Prediction)有着重要的理论研究意义和应用价值。例如,理论研究中它可以帮助人们了解网络演化的机制;实际应用上它不仅可以用于各类推荐系统,还能帮助生物学研究蛋白质的相互作用。所以,它被多个科学领域的学者所关注。自从表示学习技术在网络分析上取得了良好效果后,越来越多的人开始研究网络表示学习算法在网络分析任务中的应用,最常见的应用就是链路预测。现有的基于随机游走(Random Walk,RW)的网络表示学习算法使用RW或其变体算法来生成节点序列,但RW和其变体算法在遍历网络时会倾向于选择度较大的节点,生成的节点序列不能很好地反映网络结构信息,从而影响表示学习性能。针对这一问题,本文引入了无偏采样算法MHRW,提出了去自环的MHRW(RLP-MHRW),并在此基础上提出了基于改进随机游走的网络表示学习算法。然后,利用该算法学习到的节点表示向量作为网络特征,结合逻辑回归模型实现了链路预测。为验证所提算法的有效性,本文在4个真实网络数据集上,使用AUC和Precision作为评价指标进行仿真。仿真结果表明,相比于经典的CN、JAC、AA和基于网络表示学习的算法DeepWalk、LINE和node2vec,本文算法在链路预测性能上有所提高。另外,本文在利用深度学习技术提高链路预测精度方面进行了探讨,设计并实现了基于残差注意力机制的链路预测模型(AM-ResNet-LP)。该模型以最优链路预测效果为目的,模型实现步骤主要分为三步:首先,进行数据预处理,利用本文的网络表示学习算法学习节点表示向量,使用节点表示向量辅助生成节点的邻域子图信息,进一步将单个节点的邻域子图信息合并为节点对的信息数据并打上标签,便于后续模型的训练和测试。其次,利用残差网络结合注意力机制在TensorFlow框架上建立分类模型,使用随机梯度下降(Stochastic Gradient Descent,SGD)和Dropout技术训练和优化模型。最后,利用训练好的最优模型进行链路预测。在真实网络数据集上进行仿真,仿真结果表明,与前面的基于表示学习的链路预测算法相比,AM-ResNet-LP在AUC指标上性能更突出。