复杂网络领域中的链路预测主要是利用已知网络中节点之间现有的链路信息与节点之间的属性特征来估计网络中任意两个节点之间在下一时刻可能产生链路的概率值的大小,通常可用来挖掘已知网络中的潜在连边或错误连边信息。近几年来,链路预测算法被广泛地应用于推荐任务、舆情检测系统等众多领域中,且链路预测问题一直是学者们关注的焦点。本文主要针对现有预测算法挖掘到的节点之间的关系不能充分反映已知网络的结构特征的不足,基于矩阵分解的角度,提出了两种新的链路预测模型,通过提取到已知网络中节点间的内部结构关联性和外部文本相关性,获得了比较好的预测效果。首先,本文提出一种新的基于矩阵分解的链路预测算法(简称LPMF算法),LPMF算法在网络表示学习的过程中将已知网络的结构信息作为输入去训练网络中节点的向量表示。其次,将LPMF算法进一步改进,提出了基于文本增强的链路预测算法(简称TELP算法),TELP算法在网络表示学习过程中考虑了节点外部的文本特征,更能有效地且准确地挖掘和提取到已知网络中节点间的内部结构关联性和外部文本相关性。最后,通过在三个真实的引文网络数据集上分别进行仿真实验,将最终的预测结果与现存的15余种经典的链路预测算法进行比对分析,并采用ROC区域曲线(简称AUC指标)作为预测算法精确度的评价标准来实现对本文所提出的LPMF算法和TELP算法的可行性与精确度进行考证,实验数据显示:除矩阵森林指数(简称MFI)算法外,本文的LPMF算法和TELP算法的预测性能在这三个数据集上的表现优于其他14种预测算法。综上,本文所提出的这两种新的链路预测算法在表示学习的过程中能兼顾已知网络本身的内部结构信息与节点外部的文本特征实现对目标网络的联合学习,在链路预测任务中表现出了良好的效果。