注意力流网络是复杂网络领域的重要分支,网络表征学习是将网络中的节点属性以及结构信息等进行合理表达的重要方式,注意力流网络的表征学习不仅能够将网络信息有效地表达,还具有广泛的应用场景。链路预测作为网络表征学习的重要应用场景,其主要是利用已知的节点以及网络结构等信息对节点间未来可能连边的情况进行预测,解决网络中缺失连边信息的问题。注意力流网络的链路预测研究不仅能够认知在线用户的行为偏好,而且能够针对用户的在线点击行为进行预测。但是,目前有关注意力流网络的表征学习与链路预测还鲜有研究。本文针对这个问题开展研究,具体研究内容如下:（1）从网络结构和矩阵分解两个角度实现了注意力流网络的有效表征。首先,从网络结构的角度对注意力流网络进行表征学习,不仅能够学习到局部邻域的网络信息,还能获取到网络的全局信息,并利用自然语言处理中的skip-gram将网络进行合理的表征。然后,从矩阵分解的角度对注意力流网络进行有效的表示学习,将网络的相似度矩阵进行因式分解,从而得到初始节点的原始嵌入,并利用谱传播的方式将全局以及局部信息进行融合,从而得到合理的表征向量。实验结果表明,基于结构特征对注意力流网络进行表征,能够有效地获取网络的结构特征,较其它的表征学习算法表达信息更为全面;而基于矩阵分解对网络进行表征学习,不仅能够有效的过滤掉“噪声”,还能从本质上优化网络结构,进而获得更好的表征向量。（2）提出了基于结构特征的链路预测算法SMLP。首先,获取注意力流网络中节点的任意邻域下的节点邻居,并进行合理的排序;其次,对于任意两个节点,利用相同邻域下的节点邻居序列计算两节点的相似值;然后,构建多层完全图,每层完全图之间的任意节点之间相互连接,且连接的权值为节点之间的结构相似值,并将每层的完全图对应连接;最后,采用衡量权值大小的策略进行游走,获得网络的表征向量,并利用深度神经网络较好的容错能力以及记忆能力,预测集体用户在线点击行为。实验结果表明,针对注意力流网络的链路预测问题,SMLP算法的AUC值约为95.2%,且该算法在准确度、精确度和F1值方面整体较好。（3）提出了基于矩阵分解的链路预测算法Ada-PE算法。该算法基于注意力流网络构建相似度矩阵,将网络表征问题转换为稀疏矩阵分解的问题,利用randomized tSVD实现网络的初始图嵌入。考虑到一般的图嵌入仅能学习到局部的结构信息,本文通过谱传播的方式进一步整合网络的全局信息,将网络全局的聚类信息以及局部的平滑信息合到网络的表征向量中,进而将其应用到表征学习的链路预测当中,从而达到良好的效果。实验结果表明,针对注意力流网络的链路预测问题,Ada-PE算法的AUC值约为97.6%,其他各项评价指标整体提升了约8.13%。