运用DeepWalk对图进行嵌入并做链路预测，链路预测的结果用precision@k评价。给出python代码。

首先，需要安装deepwalk和networkx库，可以通过以下命令安装：

pip install deepwalk
pip install networkx

接下来，我们可以使用以下代码进行图嵌入和链路预测：

import networkx as nx
from deepwalk import DeepWalk
from sklearn.metrics import precision_score

# 构建图
G = nx.Graph()
G.add_edges_from([(0, 1), (0, 2), (1, 3), (2, 3), (2, 4), (3, 4), (3, 5)])

# 运行DeepWalk并得到嵌入
model = DeepWalk(G, walk_length=10, num_walks=80, workers=1)
model.train(window_size=5, iter=3)
embeddings = model.get_embeddings()

# 链路预测
test_edges = [(0, 4), (1, 4)]
y_true = [1, 0]  # 1表示存在边，0表示不存在边
y_pred = []
for edge in test_edges:
    u, v = edge
    if u in embeddings and v in embeddings:
        score = embeddings[u] @ embeddings[v]  # 内积作为得分
        y_pred.append(score)
precision = precision_score(y_true, [int(score > 0) for score in y_pred], average='binary')
print('Precision@1:', precision)

以上代码中，我们使用networkx库构建了一个简单的图，并使用DeepWalk对其进行嵌入。然后，我们选择了两条边进行链路预测，并使用precision@1作为评价指标。具体来说，我们计算了两个节点的嵌入向量的内积，并将其作为两个节点之间是否存在边的得分。然后，我们将得分大于0的视为存在边，得分小于等于0的视为不存在边，并计算precision@1。