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

首先，需要安装 `networkx` 和 `gensim` 库。

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

import networkx as nx
from gensim.models import Word2Vec

# 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)]

# 构建重建图
edges = []
nodes = list(G.nodes())
for i in range(len(nodes)):
    for j in range(i+1, len(nodes)):
        edges.append((nodes[i], nodes[j], -1 * sum([(embeddings[nodes[i]][k] - embeddings[nodes[j]][k]) ** 2 for k in range(128)])))

# 按权值从大到小排序
edges = sorted(edges, key=lambda x: x[2], reverse=True)

# 构建重建图
new_G = nx.Graph()
new_G.add_nodes_from(nodes)
for i in range(len(nodes)):
    for j in range(i+1, len(nodes)):
        new_G.add_edge(nodes[i], nodes[j], weight=-1 * sum([(embeddings[nodes[i]][k] - embeddings[nodes[j]][k]) ** 2 for k in range(128)]))

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

print("Precision@5: %.4f" % (precision_5 / len(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，我们根据节点之间的嵌入向量距离构建了一个重建图，其中边的权值是节点嵌入向量距离的相反数。最后，我们使用 `precision@5` 评价了重建图的效果。