【摘要】关系预测是网络科学领域的一个重要研究问题。传统基于相似性的启发式方法难以完成大规模或稀疏网络的关系预测任务，虽然近来兴起的基于深度学习的方法可以解决这一问题，但大多数工作主要通过网络结构信息嵌入表示向量的相似性实现关系预测。许多实证研究表明网络关系的形成会受到节点属性的影响，同时相似性也不是关系形成的唯一准则。本文提出了融合网络结构与节点属性进行关系预测的DDLP模型。该模型借助早期融合的方式获取网络结构信息和节点属性信息的嵌入表示，进而通过节点特征向量与连边信息的有监督学习实现关系预测。现实网络中的实验结果表明，DDLP模型可以有效捕捉网络中的连边规律，特别是融合节点属性后，其预测性能(精确率、召回率和F1值)明显优于比对模型。本研究不仅为关系预测的相关工作提出了一个深度学习模型框架，也为诸如系统推荐的现实应用奠定方法基础。