确定药物副作用的发生频率是药物研发和药物风险-效益评估的关键问题。准确、高效地预测药物的副作用频率,对降低药物安全问题发生概率、保护患者健康有重要意义。药物的副作用频率通常在随机对照临床试验中确定,但此方法性能有限且成本昂贵。随着药物临床试验数据的增加,使得基于数据驱动的计算方法研究药物副作用成为可能。现有的药物-副作用相关预测工作主要研究药物-副作用间的关联关系。与此不同,本文旨在探究药物-副作用发生频率的预测问题。根据药物研发临床试验中副作用发生的频率,为各个药物的每种副作用进行定量的分析、对比。本文研究并提出一种基于药物和副作用高阶相似网络的协同传播模型RPDSF（Rating Propagation model for predicting Frequencies of Drug–Side effects）,该模型基于已知的药物-副作用频率信息构建生物实体相似网络,通过已知频率信息在网络中高阶协同传播的过程推断出潜在的药物-副作用发生频率。考虑到构建相似网络时不同的评分函数可能导致不同的相似性分数以及模型性能,本文通过多种方式构建相似网络,并进一步提出一种基于邻域学习的相似网络改进方式来提高模型预测的准确率。本文在真实的药物-副作用频率数据上验证方法的有效性,分析了基于不同相似网络的协同传播模型性能。其中,基于邻域学习的RP0（69）4)9)2))模型以RMSE=0.5798和MAE=0.4150实现了最小的预测误差。同时,本文还基于相同的数据集与其他相关工作进行比较,相较于首次进行该研究的Galeano等人采用的方法,本文提出的RP0（69）4)9)2))模型和RP0（69）4)9)2))模型在RMSE指标上分别实现了54.90%和56.12%的下降,在MAE指标上也分别降低了54.49%和57.19%;此外,与目前效果最好的相关工作相比,本文的RP0（69）4)9)2))模型在RMSE和MAE指标上也分别下降了10.75%和14.84%。实验结果表明,本文所提出的模型预测性能优于现有模型。