随着科技的进步,涌现出了越来越多的复杂系统,产生的相关数据呈直线增长,这些数据对复杂网络的研究也起到了推动作用。链路预测是复杂网络的一个重要研究方向,主要解决的是如何通过已知的数据及其之间的相互作用关系,预测那些已经存在但尚未被观测到的数据、未来可能出现的数据和一些虚假的数据。随着链路预测的研究成果广泛应用于各个领域,如何提高链路预测精度成为了首要问题。本文将以网络中节点之间的相似性为重点,主要研究基于网络的拓扑结构的预测方法。首先从共同邻居节点的链路强度和聚类系数出发,研究了无权无向网络中如何区分共同邻居的不同作用,然后提出一种新的加权方式,研究加权网络中的连接预测问题,最后,基于网络中存在的PWCS现象,研究社交网络中好友推荐问题。论文主要研究内容和取得的研究成果如下:1.针对现有的链路预测算法没有更好的区分共同邻居节点对被预测链路形成的不同作用,提出基于链路强度和聚类系数的链路预测指标,该指标充分利用了网络中的拓扑结构信息,结合了共同邻居节点的链路强度和聚类系数,进一步区分了共同邻居节点。在四个真实网络上的实验结果表明,该算法相比其他基于共同邻居的相似性算法,具有明显的优势。2.针对加权网络链路预测方法大多仅考虑链接的自然权重(以连边的自然属性定义的权重,比如论文合作数,航班频次等),忽略了链接的拓扑结构权重对预测精度的影响,提出一种新的加权网络的方法,利用了网络中边的聚类和扩散特性,定义了结构权重函数,并将权重运用到现有的加权相似性指标中,提出基于链接结构权重的含权预测指标。以AUC为评价指标,进行实验研究,结果表明该含权预测指标具有更好的预测精度。3.基于网络中普遍存在的PWCS现象,考虑到现实生活中的朋友推荐,中介节点更倾向于介绍自己熟悉的人给目标节点,提出了朋友推荐链路预测指标,该指标区分了候选节点和中介节点的亲疏关系,选取了六个真实的网络,以Matlab为实验平台,实验结果表明该指标在时间复杂度相对较低的同时取得了较好的预测效果。