复杂系统在自然社会中无处不在,而网络科学是描述、分析、理解、设计复杂系统最常用的理论框架。网络科学的研究内容十分广泛且丰富,学习节点属性对网络连边进行预测是当下热门的研究内容之一,其中链路预测和推荐算法的研究都是根据节点相似性对网络未来可能产生的连边进行预测。链接预测是网络科学中重要的研究方向之一,具有巨大的研究和实际应用价值。近年来,网络表示学习的方法通过学习节点特征,使得链路预测的研究取得了重大进展。然而,现有的特征学习方法没有考虑网络节点在不同社区中的属性。针对这个问题,本文提出一种基于网络节点属性的链路预测方法Graph-Splitter。该方法通过分析每个节点的自我中心网络,将节点划分至多个社区,并学习每个节点在所属社区中的角色向量,通过不同的神经网络模型将节点的多个角色向量表示为一个综合的特征向量。本文在四个开源的网络中,将Graph-Splitter算法与多种链路预测方法的精确度进行对比。实验结果表明,相比于经典的或近年最新提出的链路预测方法,本文提出的Graph-Splitter算法在预测准确性与节点可视化的研究中都取得了优异的结果。推荐系统是二分网络中链路预测方法的实际应用,是解决信息过载的有效策略。本文对传统的基于扩散理论的推荐算法进行了改进,提出了基于国家适应度的地理位置信息扩散算法。在国际贸易网络中,本文根据十五年的出口数据,使用推荐算法为国家推荐适合出口的商品,实验证明该算法在推荐的精确度和召回率上有很大的提高。与此同时,本文通过国家经济复杂性指标,进一步衡量了地理位置信息扩散算法的推荐结果。通过模拟国家出口推荐商品后,国家经济复杂性指标的演变过程,进一步说明:对于发展中的国家来说,基于国家适应度的地理位置信息扩散算法能提供有效的辅助信息,帮助决策者在制定国家发展轨迹与出口策略中做出更好的判断。