链接预测是属性网络中常见的一类任务，即预测两个节点之间的边存在的可能性，核心在于构建有效的链接表示。传统的方法往往依靠费时费力的特征工程，但是近年来，表示学习和深度学习的发展为链接表示问题注入了新思想。大量实验表明，从节点表示出发进而构造更有力的链接表示，对于链接预测任务是一条更为便捷且高效的道路。　　本文重点在于探讨属性网络上的链接预测问题，核心是如何得到更高效的节点表示。目前，在属性网络中，单属性节点的表示问题已经取得了很多进展，但是多属性节点尚没有得到足够的关注。　　本文从一种学习单属性节点表示的主流方法-Node2vec算法出发，首先从原理上分析了它的局限性，然后通过多个链接预测实验论证了其具有浅层学习特征的特点。本文针对该方法的局限性，提出了使用神经网络再学习这一改进方法，多个数据集上的链接预测实验证明了其有效性。　　进而本文提出了多属性节点的表示问题。思路是:首先把属性分为主要（感兴趣的）属性和辅助属性，然后针对每一种属性，都抽取出一个网络，再通过Node2vec学到一层浅层的节点表示，然后针对多个属性来源的节点表示，使用神经网络进行高层抽象和深度融合。这种基于Node2vec和神经网络融合多属性节点表示的思路，YouTube网络数据集上的实验多角度地验证了其有效性和可行性。　　此外，针对链接预测任务以及Node2vec算法，本文提出了构造训练集和测试集的新方法。在Node2vec这种随机漫步方法中，本文认为常见的随机切分链接集合的做法是不合理的。本文通过对网络节点度的统计分析，提出针对不同度的节点提取不同比例的链接加入测试集的新方法，保证了采样过程对网络节点的全覆盖，尤其是处理多属性节点之间的链接的做法，具有一定的借鉴性。