复杂网络的链路预测一直是复杂网络领域一个非常重要的研究方向。链路预测既有着对未知但已存在的边的预测,也有着对未来的可能存在的边的预测。将复杂网络从静态网络扩展到动态网络可以有效区分未知和未来的边预测,而链路的权重预测也将链路预测的链路存在有无扩展到链路的正负以及可能形成的链路的值。在交易系统中,尤其是像使用比特币进行交易的这样匿名性强,欺诈风险较大的交易系统中,提前对交易对方的可靠性有一个大致的估量显得尤为重要。在已经引入针对历史交易的评价打分机制后,根据交易对方的得分来判断对方的可靠程度是一个不错的选择。但是交易得分体现的只是交易历史的得分,而且对于较少进行交易的低频用户和伪造交易记录而得到高分评价的欺诈用户,无法只用简单的历史得分来辅助用户进行交易可靠性的判断。因此,我们的目标集中在综合用户的各项属性以及与其它用户的关系之后,为用户提供一个交易可能的预测得分来辅助用户进行判断。在明确基本任务之后,我们首先将任务建立在图模型上,交易系统中的用户就是节点,打分就是节点之间边的权重,因为打分是有向且有正负的,所以边是有正负有向的,又因为需要根据历史的评分来预测未来的评分,因此我们建模在动态图模型上。最终抽象为如何在一个动态有向网络中预测链路的存在与否以及链路的权重的问题。在动态网络的表示学习方面,随着深度学习技术的发展以及计算能力的提高,真正符合实际的动态网络逐渐成为领域内的热点,动态网络依照目前的方法主要集中在两大类型:一种是对动态图作离散化处理,分出有限个数的时间间隔然后来进行表示学习;一种是记录所有的时间戳然后进行表示学习。针对数据的特性以及打分较为稀疏的特性,采用第一种对动态图作离散化处理的方法,即将动态网络按照时间的先后划分出有限个数的时间间隔。基于此,本文提出了基于图卷积神经网络的动态网络链接预测算法和基于非对称交叉映射的链路权重预测的算法,本文的主要研究工作总结如下:1)提出了新的深度学习框架来预测在线交易平台的信任度评价分数,针对动态网络的链接预测问题,该框架分为三层,其中第一层动态网络构建层用于将原先混乱无序的数据组织成有序的动态网络;第二层节点学习层用于学习网络的节点的表示;第三层为链路预测层来学习动态网络的链路预测。2)针对动态网络的链路权重预测问题,在原有的演化图卷积神经网络的基础上又增加了非对称的交叉映射模型来学习动态网络的链路权重预测。3)通过对比,本文提出的的模型和算法获得了比现有模型和算法更好的实验结果。同时,针对一些异常本文作出了了分析和判断,来改进交易服务的评估。