运用DeepWalk对图进行嵌入并做网络重构，网络重构的结果用precision@5评价。给出python代码。

以下是使用 DeepWalk 进行图嵌入和网络重构，并使用 precision@5 评价的 Python 代码：

import networkx as nx
from gensim.models import Word2Vec
from sklearn.metrics.pairwise import cosine_similarity

# 加载图数据
G = nx.read_edgelist('graph.txt', nodetype=int)

# 使用 DeepWalk 进行图嵌入
model = Word2Vec(nx.random_walk.RandomWalk(G, walk_length=10, num_walks=80), size=128, window=5, min_count=0, sg=1, workers=4)

# 构建节点嵌入字典
embeddings = {}
for node in G.nodes():
    embeddings[node] = model.wv[str(node)]

# 重新构建图
new_edges = []
for node in G.nodes():
    sim_list = []
    for other_node in G.nodes():
        if node != other_node:
            sim_list.append((other_node, cosine_similarity([embeddings[node]], [embeddings[other_node]])[0][0]))
    sim_list = sorted(sim_list, key=lambda x: x[1], reverse=True)
    new_edges.extend([(node, n) for n, _ in sim_list[:5]])

new_G = nx.Graph()
new_G.add_nodes_from(G.nodes())
new_G.add_edges_from(new_edges)

# 评价重构结果
precision_5 = 0
for node in G.nodes():
    neighbors = [n for n, _ in sorted(new_G[node].items(), key=lambda x: x[1], reverse=True)[:5]]
    precision_5 += len(set(neighbors) & set(G[node])) / 5.0

print("Precision@5: %.4f" % (precision_5 / len(G.nodes())))

在代码中，我们首先加载了图数据，然后使用 `gensim` 库中的 `Word2Vec` 模型对图进行嵌入学习。接着，我们将所有节点的嵌入向量存储到一个字典中。然后，我们对每个节点，找到与其最相似的前5个节点，并将其作为新图中该节点的邻居节点。最后，我们使用 `precision@5` 评价了重构图的效果。