随着互联网技术的发展,以微博、Twitter、Facebook等为代表的社交平台及以Yelp等为代表的生活消费平台逐渐形成了包含社交属性的复杂网络。这些网络所包含的数据种类繁多、数据量巨大,挖掘这些数据包含的信息,对于改进平台功能改善用户体验都具有十分重要的意义。如微博、QQ等可以通过挖掘网络节点间存在的潜在链接为用户推荐好友。链接预测就是根据已知的网络结构和节点属性来预测网络中尚未产生连边的节点之间产生连接的可能性。典型的方法主要是通过网络结构信息进行预测,但当网络比较稀疏或网络结构可见程度比较低时,仅依靠网络结构特征进行预测无法提供足够的数据信息,从而导致预测算法的性能大幅度下降。本文提出了融合文本情感信息的链接预测方法来弥补网络结构信息不足的问题。首先构造文本情感特征提取模型来提取网络节点文本数据包含的情感特征,其次将提取的特征作为一种补充信息与网络结构特征融合并输入到分类器中进行链接预测,从而在一定程度上解决了稀疏网络中信息不足的问题。本文主要工作和创新点如下:(1)文本情感特征提取。首先,根据词语的情感极性以及词性设计了词语特征,然后根据词语特征将文本中的每个词语映射成情感词向量。其次,引入卷积神经网络用于文本情感特征提取,并以情感词向量表示的文本作为输入。最后,在卷积操作之前加入注意力机制,强调了每对节点的文本之间的联系,在卷积操作之后也加入注意力机制,以区分不同单词对文本表示的贡献程度。(2)网络结构特征提取。实验对比了Deepwalk、Node2vec、LINE、SDNE这四个网络嵌入算法的特征提取能力,最终选择Node2vec算法作为本文的网络结构特征提取方法。(3)网络结构特征和文本情感特征融合。首先,将得到的网络结构特征向量和文本情感特征向量通过向量串接的方式融合以得到最终的节点特征向量。然后,根据节点特征向量计算链接特征向量,并将网络中存在的链接作为正样本,不存在的链接作为负样本。(4)使用融合特征进行链接预测。本文将链接预测问题看作链接的二分类问题,即将融合后的特征输入到SVM分类模型中进行链接预测。实验结果表明,与基于网络结构信息的链接预测方法相比,本文的方法不仅大幅度提高了预测准确率而且在一定程度上解决了稀疏网络中因网络结构信息不足造成的预测性能下降问题。