给定一个网络，如何利用svm进行链路预测，写出Python代码

链路预测是指在一个网络中，根据已知的节点和边，预测两个节点之间是否存在一条边。SVM可以用来进行二分类问题的处理，因此可以将链路预测问题转化为二分类问题，即将存在边的节点对标记为1，不存在边的节点对标记为-1，然后利用SVM进行分类。

下面是一个简单的Python代码示例，演示如何利用SVM进行链路预测：

import networkx as nx
from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 构建网络图
G = nx.read_edgelist('network.txt')

# 划分训练集和测试集
edges = list(G.edges())
non_edges = list(nx.non_edges(G))
train_edges, test_edges, _, _ = train_test_split(edges, [1] * len(edges), test_size=0.3)
train_non_edges, test_non_edges, _, _ = train_test_split(non_edges, [-1] * len(non_edges), test_size=0.3)

# 构造特征矩阵和标签向量
train_data = [(u, v) for (u, v) in train_edges] + [(u, v) for (u, v) in train_non_edges]
train_labels = [label for (_, _), label in zip(train_data, [1] * len(train_edges) + [-1] * len(train_non_edges))]
test_data = [(u, v) for (u, v) in test_edges] + [(u, v) for (u, v) in test_non_edges]
test_labels = [label for (_, _), label in zip(test_data, [1] * len(test_edges) + [-1] * len(test_non_edges))]

# 提取特征向量
def feature_extraction(u, v):
    # 这里可以使用各种不同的特征提取方法，比如度中心性、介数中心性、聚类系数等
    return [G.degree(u), G.degree(v)]

train_features = [feature_extraction(u, v) for (u, v) in train_data]
test_features = [feature_extraction(u, v) for (u, v) in test_data]

# 训练模型
clf = svm.SVC(kernel='linear')
clf.fit(train_features, train_labels)

# 在测试集上进行预测
pred_labels = clf.predict(test_features)
accuracy = accuracy_score(test_labels, pred_labels)
print('Accuracy:', accuracy)

在这个示例代码中，我们首先读取了一个网络图，然后将其划分为训练集和测试集。接着，我们构造了特征矩阵和标签向量，其中特征矩阵表示了每个节点对应的特征向量，标签向量表示了每个节点对应的标签（1表示存在边，-1表示不存在边）。在特征提取过程中，我们使用了简单的度中心性作为特征。最后，我们使用SVM进行训练，并在测试集上进行预测，计算了预测准确率。