现实世界中的许多复杂系统都可以被建模表示成复杂网络。系统中的实体被表示为节点,实体之间的关系被表示为边。作为复杂网络分析中的一个基本问题,链路预测在过去的十几年间得到了广泛的研究。链路预测的目标是根据当前观察到的网络信息推断出已经存在但未知或者未来可能产生的链接。由于链路预测有助于人们理解现实世界网络的内在特征和演化机制,其已被广泛应用于许多实际场景,如友谊和物品推荐、知识图谱补全和生物反应重构。然而,现有的链路预测方法大多集中在推断单个实体之间的链接。尽管有一些组链路预测工作尝试探究单个实体和多个实体（即组）之间的联系,但它们对个体和组之间关系和组演变复杂过程的理解十分有限,且忽略了一些有助于提升预测性能的潜在信息。为了更加有效地解决组链路预测问题,本文首次提出了一个基于图神经网络的组链路预测算法GroupLP。GroupLP利用含采样策略的图神经网络学习一个通用的聚合函数从而以归纳学习的方式为网络中的节点生成嵌入向量,然后对一个组中各成员的向量进行求和,得到该组对应的向量表示。最后,GroupLP利用组的向量学习到一个关于候选成员的条件概率分布,并成功找出目标节点。四个真实数据集上的实验结果验证了GroupLP算法的有效性和优越性。考虑到组链路预测场景中的时间动态性,本文提出了一个关于探索动态场景中个体和组之间关系的新问题,该问题被称为动态组链路预测。为了解决动态组链路预测问题,本文在GroupLP算法的基础上进一步提出了一个新的动态组链路预测算法DynGLP。首先,作为DynGLP的输入,个体和组之间的历史交互数据被自然地表示为动态交互网络。其次,对于一个给定的组,DynGLP采用一个新的动态图神经网络DynGNN,通过迭代聚合局部图邻域信息来获得节点的嵌入,其中聚合权重由一个新的动态聚合函数DynAgg计算得到。然后,本文提出三个组建模函数用于将组中成员的嵌入向量统一建模为相应组的向量。给定一个组的向量,DynGLP最终输出一个条件概率分布,该概率分布上的元素代表所有候选成员和组连接的概率,其中数值最大的元素对应的索引即为目标成员的索引。四个真实数据集上的实验结果表明,DynGLP算法明显优于对比方法。具体来说,DynGLP算法的平均性能比最好的基线方法高63.6%,最佳性能比最先进的方法好197.8%。