随着互联网的飞速发展,社交网络(Social Network)已经成为人们日常生活的一部分。用户间的交互行为产生了海量的交互数据,这些数据反映了社会发展的一些普遍现象。对用户交互数据进行分析和挖掘,这对互联网及相关行业的发展具有十分重要的研究意义和应用价值。本论文从多维度的社交网络属性和网络嵌入表示两个方面入手,对多维度的社交网络链接预测方法进行研究,研究内容有:(1)基于网络嵌入的多维社交网络表示。找到有意义的网络表示是有效挖掘和分析网络数据的先决条件。传统理论把网络表示为高维和稀疏的邻接矩阵;而网络嵌入将网络表示为每个节点用低维向量表示的低维空间。网络嵌入的矢量表示不仅能够保持节点之间的邻近性特征,并且可以作为学习输入、节点分类和链接预测等实际应用。通过学习多维网络的表示方法可以捕获每个维度的独立信息以及各个维度的依存信息。因此,在多维社交网络分析的基础上,提出多维网络嵌入表示框架,通过node2vec方法学习网络中节点连续特征表示,将多维关系和各维度依存信息合并到节点表示学习的连贯模型中。(2)基于注意力模型的多维社交网络链接预测。多维网络的学习表示目的是在不同维度的视图之间推断鲁棒的节点表示,促进不同视图的协作。在多维网络嵌入的基础上,提出了基于注意力模型的社交网络链接预测方法。在视图信息集成过程中为视图分配适当的权重,使每个节点集中在信息最丰富的视图上,从而选择出健壮的节点表示,实现链接预测并提高准确率。(3)结合真实的DBLP、PPI、Flickr、You Tube和Twitter社交网络数据集,采用常用的评价指标通过节点分类和链接预测任务对模型进行了实验验证。三组数据集用于节点分类,另两组用于链接预测。实验的结果表明,本研究提出的方法是可行和有效的。基于网络嵌入的多维社交网络链接预测在分析社交网络嵌入表示的基础上,结合注意力机制,为社交网络链接预测研究提供了新的研究思路。