链路预测是复杂网络中的一项重要研究内容,它的目的是根据现有的节点链接情况和节点属性预测出图中潜在的或者将来可能产生的链接。网络也称为图,由于图的种类不同,图包含的信息有所不同,这也导致需要使用不同的链路预测方法。在无向图中,现今多数方法都是基于网络表示学习（Network representation learning）的方法。它们首先通过现有的节点的链接情况（只关注节点间是否有链接）以及节点属性得到每一个节点的低维表示向量,然后根据表示向量间的相似性预测节点间的链接情况,即越相似的节点之间产生链接的概率越大。而有向网络作为现实生活中更为常见的网络类型,却缺乏有效的链路预测方法。这是因为在有向图研究中,还需关注节点间链接的方向性。而大部分现有的有向图链路预测方法则忽略有向图的方向性,将其作为无向图来处理,这显然不是一种足够有效的有向图链路预测方法。在有向图链路预测研究中,如何有效的保留且利用链接情况（关注节点间是否有链接和链接的方向）和节点属性获得低维表示向量以及如何预测链接的方向性是两个关键难点。为了解决表示学习过程中如何考虑链接方向的问题,本文通过对网络高阶结构和图编码器进行分析,提出了基于网络高阶结构和图卷积神经网络的有向图编码器。网络高阶结构是为了区别于低阶结构（网络中的节点和边）提出的概念,它表示网络中大于等于3个节点组成的子结构。本文首先通过对于网络中高阶结构进行统计,构造高阶邻接矩阵。在邻接矩阵中,其中的非0值表示对应两个节点间存在链接,而在高阶邻接矩阵中,非0值则表示两个节点共同存在于某个高阶结构中。通过构造高阶邻接矩阵,不仅能够得到适用于后续图卷积过程的对称矩阵,还保留网络中的邻接信息,尤其是其中的链接方向。最后本文通过图卷积神经网络进行训练,以获得每个节点在低维表示空间内的低维表征向量。而图卷积的规则就是高阶邻接矩阵,即每个节点会聚合与它参与了对应高阶结构的节点的信息。通过这样一个针对有向图的编码器,本文完成了对于有向图的数据挖掘,获得了每个节点的低维表征向量。而在解码器的过程中,有向图区别于无向图的点在于有向图不仅需要预测链接的概率,还需要预测链接的方向性。为了解决这一问题,本文提出了一种结合节点中心性的解码器,该解码器主要遵循两个原则:1.两个节点的表征向量距离越小（即两个节点越相似）,它们之间的链接概率越大;2.链接总是倾向于指向中心性大的节点,即目标节点的中心性越大,链接的概率也会越大。通过对于节点中心性进行研究,本文选取了Page Rank中心性作为节点中心性的评价指标,提出了一种基于引力启发式的解码器。增强了整个解码器的可解释性。本文将编码器与解码器进行结合,提出了一种基于图自编码器的有向图链路预测模型（MGAE）,为了进一步提升本文的链路预测效果,本文还提出了基于变分自编码器的链路预测模型（MVGAE）。最后,本文在四个真实数据集上进行了链路预测实验,并且通过四种不同评价指标与4种对比方法进行比较,结果表明本文提出的MGAE以及MVGAE更加有效,并且为了探讨其背后的原因,为后续研究提供思路,本文还对于其中的每个模块以及重要的参数进行了分析。