网络,是一种由不同实体相互交织所构成的模式,能够对实体间的关系进行描述。链路预测问题,通过分析网络,针对于其历史时间段的实际情况进行研究,从而判断是否有链路存在于网络节点之间,该方法在推动网络研究的发展中发挥着重要的影响。而在学术关系的研究中,链路预测技术通过学术网络能够预测并深入发掘具有高影响力潜力的作者,而且能够更好地预测作者引用网络结构的变迁情况。以往的研究在进行网络建模时往往采取单一类型节点与连边的方式进行,对于网络中存在于实体间的不同类型信息考虑的不够全面。因此,目前的研究者们着手研究并发展异构信息网络,其广泛的运用了多类型节点和连边的方法,形成了如多路复用网络,时序网络等多种网络模型。本文通过分析当前主流的链路预测方法,发现它们存在两个问题:1)基于异构信息网络关系预测的研究其网络大都是静态的,并不包含时间信息;2)大多数链路预测方法以提取网络特征和属性为主,对于较为复杂的数据,该方法可能无法较为准确地捕获网络信息并利用其特征进行预测。为了更精准、高效地对作者引用网络进行预测,本文拟基于多路复用异构网络,同时考虑作者之间不同的关系和时间对引用的动态影响,对更多层真实的动态网络进行实验,利用深度学习“端到端”地实现对未来作者之间引用的链路预测。本研究构造了基于多路复用网络的作者引用网络预测模型,考虑作者共被引关系、作者耦合关系及作者直引（互引）关系三种类型构建多路复用网络,并对多路复用网络进行了计算和时序划分处理,考虑了多层的节点信息以及动态信息,提高了网络表达的准确性。此外,参考前人的经验,综合考虑图卷积网络（GCN）、长短期记忆（LSTM）网络和生成式对抗网络（GAN）的特点,利用这三种深度学习模型对动态加权网络进行时间链路预测。本文选取了 Aminer平台的Academic Social Network数据集进行了实验。通过使用不同指标,对本文采用算法的结果进行评估。同时,与基准算法下的结果做对比分析。实验结果表明,利用多路复用异构网络该链路预测算法可以达到较好效果,其具有更高的预测准确度。同时,本文还对比不同层的加权方式对预测效果的影响。实验结果表明,不同层的链路权重对预测结果影响较大,特别当多路复用网络考虑全部的作者耦合信息和作者共被引信息时,实验预测效果最佳。因此在进行作者引用预测时,学者可以考虑采取多路复用的方式构建异构网络,获取更多的节点信息,并选取合适的加权方式来提升预测准确度。