链路预测是将复杂系统与信息科学联系起来的重要纽带之一,它处理的是信息科学中最基本的问题——缺失信息的还原和预测.链路预测算法分为无监督与有监督的算法,而有监督算法在链路预测领域往往比无监督的算法能取得更好的预测效果.对于现实中的网络而言,运用有监督的链路算法,会面临类别不平衡以及特征难以提取这两个主要问题.本文针对这两个问题,分别从不平衡分类和有监督的特征提取两个方面,在链路预测领域中做了以下工作:1.针对链路预测中的类别不平衡问题提出Netboost-LP(Netboost Link Prediction)算法.基于传统Adaboost算法在链路预测中的应用,加入针对复杂网络设计的偏向调节函数,改变了原算法的权重更新规则和数据连接模式,实现在训练过程中,根据模型现有的学习程度,自适应地改变数据分布,以达到平衡数据类别的目的.理论上证明了该偏向调节函数对总体损失函数收敛性的影响.在四个现实网络中进行链路预测实验,发现Netboost-LP算法预测效果更好.2.提出针对类别不平衡问题的有监督特征提取方法.根据复杂网络与文本处理研究的相似性,借鉴文本处理中的深度学习特征提取算法和优化问题中的粒子群算法,提出一种基于词向量的粒子群优化链路预测算法.将抽象的网络拓扑关系转化为显式的数学表达,并在有监督的条件下,利用粒子群算法对特征进行筛选,确定重采样的参数来解决类别不平衡问题,并分析了不同链路预测算法的计算复杂性.将本文算法与基于相似性、深度学习、不平衡分类的三类链路预测算法,在不同的时序网络中进行对比研究.结果表明,本文提出的链路预测算法,预测精度较高,算法更加稳定且具有普适性.3.将提出的两种有监督链路预测算法整合为一个系统,应用于模糊信息下网络抗毁性问题中.设计了网络模糊度与预测比例两个参数,用来辅助在不同模糊程度下,制定相应的链路预测网络攻击策略.实验结果表明,在网络缺失信息较少的情况下,链路预测后制定的攻击策略会优于模糊信息下的直接攻击,甚至在特定的网络条件下,会优于完全信息下的直接攻击.说明本文的有监督链路预测算法从一定程度上揭示了网络的内在演化机制.