随着信息的快速发展与人们物质生活水平的不断提高,尤其是互联网的广泛应用,网络社交已成为日常,它促进了人与人之间的交流与沟通,而且随着社交网络的不断演进,一个人在网络上的形象还会通过人们之间的交流沟通和附加在身上的标签而更加趋于完整。社交网络是由一个或多个关系连接的一组具有社会相关性的点,点或网络成员是由关系连接着的单元,而复杂网络就是作为研究蕴藏巨大信息量的链接关系的一个分析工具。链路预测是组成数据挖掘领域的其中关键部分,将复杂网络与信息科学联系起来,不但能够处理信息科学中的基本问题,即缺失信息的还原和预测,还能挖掘出网络中潜在的结构信息,从而更加深入了解网络结构的演化规律。而数据挖掘中的Apriori算法也是一项根据频繁项集和关联规则对事物发展趋势进行预测的强有力工具。论文首先对链路预测中的基于节点属性的相似度指标和三类基于结构信息的相似性指标进行了简要概述,并综合它们的优缺点进行了关于理论知识的深入探究。然后,对数据挖掘中的Apriori算法的思想与步骤作详细说明,并且将其与案例分析相结合,使理论知识不再枯燥,而是形象生动,便于理解。但是由于经典的Apriori算法太过耗时耗力,于是通过分析改进的Apriori算法发现不仅减少了数据库的扫描次数,而且不需要连接操作,通过对数据库的优化,在提高数据挖掘的效率和质量的同时,还提高了系统的性能。利用SpringMVC框架搭建的校园服务与好友推荐的系统平台,解决了校园服务中的“疑难杂症”,例如寻物启事、失物招领等问题。对于校园建设中存在的问题,可匿名提出建议或发表意见,最后通过节点相似性筛选出属性相似的用户,再结合Apriori算法挖掘出强关联规则后实现其好友推荐,真正体现了便利师生这一特性。