在合作作者網(wǎng)絡(luò)中，鏈路預(yù)測(cè)可以預(yù)測(cè)當(dāng)前網(wǎng)絡(luò)中缺失的鏈接，以及新的或已解散的鏈接，根據(jù)網(wǎng)絡(luò)中觀測(cè)到的信息來(lái)推斷兩位作者在不久的將來(lái)是否會(huì)產(chǎn)生合作，對(duì)于挖掘和分析網(wǎng)絡(luò)的演化、重塑網(wǎng)絡(luò)模型具有重要意義。鏈路預(yù)測(cè)是計(jì)算機(jī)科學(xué)和物理學(xué)的重要研究方向，對(duì)此已有較深入的研究，其主要研究思路是基于馬爾可夫鏈、機(jī)器學(xué)習(xí)和無(wú)監(jiān)督的學(xué)習(xí)。然而，這些工作大多只使用單一的特征，即基于網(wǎng)絡(luò)拓?fù)涮卣骰蛘邔傩蕴卣鬟M(jìn)行預(yù)測(cè)，很少將這些跨學(xué)科的特征組合考慮，結(jié)合多學(xué)科特征進(jìn)行鏈路預(yù)測(cè)的硏究非常少。文中設(shè)計(jì)開(kāi)發(fā)了? Ntlink模型，該模型結(jié)合網(wǎng)絡(luò)拓?fù)涮卣鳌⒒咎卣骱透郊犹卣鳎⒔Y(jié)合物理學(xué)和計(jì)算機(jī)科學(xué)的領(lǐng)堿知識(shí)，利用深度神經(jīng)網(wǎng)絡(luò)將這些特征集成到一個(gè)深度學(xué)習(xí)框架中，其在解決鏈路預(yù)測(cè)問(wèn)題時(shí)取得了不錯(cuò)的效果。文中使用了5個(gè)數(shù)據(jù)集（ca- Astroph，ca- Condmat， ca-grqc，ca- Hepp和ca- Depth），包含69032個(gè)節(jié)點(diǎn)和450617條邊，從捕獲的信息中利用二進(jìn)制相似度和模糊余弦相似度計(jì)算和識(shí)別特征。如果節(jié)點(diǎn)在這些特征中表現(xiàn)岀更多的相似性（如相似的節(jié)點(diǎn)、相同的關(guān)鍵字或彼此之間密切的關(guān)系），則兩個(gè)節(jié)點(diǎn)間更有可能生成鏈接。除了考慮節(jié)點(diǎn)的特征外，還考慮了節(jié)點(diǎn)重要性對(duì)鏈路形成的影響，進(jìn)而提出了一種新的鏈路預(yù)測(cè)指標(biāo)MⅠ，以區(qū)分強(qiáng)影響和弱影響，對(duì)節(jié)點(diǎn)的重要影響進(jìn)行建模。將所提模型與主流分類器在5個(gè)數(shù)據(jù)集上進(jìn)行比較，結(jié)果表明MI和 Tntiink有效地提高了鏈路預(yù)測(cè)的AUC值。