复杂网络直观上说是类似互联网一样具有很高复杂度的一种网络,通过复杂网络进行建模分析研究实际系统的内在规律,从而找到一些实际问题的理论依据和解决方案。链路预测是当前复杂网络中一个重要的研究方向,它是利用已知网络中一些节点局部信息,路径中包含的网络结构特征等来恢复网络中所缺失的链接或预测两个未链接节点产生连边的概率,来判断未来网络中的整体结构。因此链路预测这个方向得到了广泛关注。已有相似性算法主要是基于节点局部属性和路径信息。基于节点局部属性的算法计算简单,但在网络结构不全的情况下精确度会受很大影响;基于路径的算法虽然包含了大量网络结构信息,但计算复杂度相对较高。在本文中,重点提出了基于网络局部结构的链路预测算法,主要是利用有效短路径信息和节点相关聚类系数分别提出了3种相关的链路预测算法。本文的主要工作和成果如下:1.提出了基于节点和路径强弱影响和社区信息的链路预测算法。针对在网络结构不全的时候通过节点属性计算精确度不高和提取高阶路径信息计算复杂度大的问题,本文将节点属性和有效路径结合起来,强调短路径的影响,并在最后使用社区信息提高精确度,算法通过和其他指标的对比表明了其合理性。2.提出了基于自适应度惩罚和非对称边聚类的链路预测算法。针对节点局部属性如聚类系数不能区分链路两端节点因重要性不同对链接所做出的贡献也会不同的问题,本文将焦点从节点转移到链路,提出了非对称边聚类系数,且在不同网络中通过平均聚类系数对节点共同邻居进行自适应度惩罚,实验表明该算法有效地提高了精确度。3.提出了基于节点引力的链路预测算法。本文将万有引力定律运用到社交网络预测上,根据节点重要性和路径长度来衡量质量和距离,节点无论相隔有多远,它们之间都存在一种引力来促进发生链接。针对度小的节点在稀疏网络中对低聚类系数的敏感性问题,本文使用了节点的度聚类系数来判断节点的重要性,实验表明基于节点引力的算法能够有效得用于社交网络预测。