En los últimos años, han surgido interminables algoritmos de predicción de enlaces basados en el aprendizaje de representación de redes. El aprendizaje de representación de redes construye principalmente vectores de características al capturar la información de la estructura del vecindario de los nodos de la red para la predicción de enlaces. Sin embargo, este tipo de algoritmo solo se centra en aprender información topológica del simple nodo vecino de la red. Por ejemplo, DeepWalk toma un camino de paseo aleatorio como el vecindario de los nodos. Además, tales algoritmos solo aprovechan las características potenciales de los nodos, pero las características explícitas de los nodos juegan un buen papel en la predicción de enlaces. En este artículo, se propone un método de predicción de enlaces basado en una red neuronal convolucional profunda. Se construye un modelo de red de atención residual para capturar las características de la estructura de enlaces del subgrafo. Un estudio adicional encuentra que la eficiencia de transmisión de flujo de información del mecanismo de atención residual no era alta, por lo que se propuso un modelo de red neuronal convolucional densa para la predicción de enlaces. Evaluamos nuestro método propuesto en cuatro conjuntos de datos publicados. Los resultados muestran que nuestro método es mejor que varios otros algoritmos de referencia en la predicción de enlaces.