研究社交网络中链边的预测,有助于我们更加深入地了解网络中节点之间的潜在关系,对于进一步挖掘网络特性具有一定的现实意义。鉴于此,本文借助复杂网络的理论知识,根据社交网络的结构特性,构建与其吻合的改进Hawkes模型和有监督的随机游走模型,为预测提供了较好的研究方法。本文的研究内容主要包括如下两个方面:(1)针对目前预测模型考虑节点之间的影响力因素和时间属性较少的问题,本文引入用于地震预测的Hawkes模型进行网络拓扑间可能链边的预测。首先采用计算节点间影响力的方法对节点之间的关系进行分析,由此找到核心节点。其次通过引入Hawkes模型中的强度函数,由此计算出新加入节点与其它节点之间的强度。最后将计算出的节点间概率从大到小进行排序,概率越大证明节点间存在链边的可能性越大。实验结果表明,本算法在预测速度方面和准确率方面明显比没有引入影响力函数的Hawkes模型效果要好。(2)在社交网络中,用户行为也是影响网络拓扑的一个重要因素,由于改进的引入影响力函数的Hawkes模型没有考虑用户行为,而随机游走算法能够充分利用节点的属性和行为信息,所以本文对随机游走算法进行了改进,将有监督的方法加入其中。首先将节点的特征按照其自有属性进行分类,比如按照性别、年龄段、喜好等。其次将其作为参数在训练集中进行训练,最后将得到的最优参数用于指导测试集中基于随机游走的节点间链边预测。本算法不仅可以进一步加快网络链边的预测速度,还考虑了对于大规模网络预测的适配性。在实验中,本文将前面改进的融合影响力函数的Hawkes模型和有监督的随机游走模型的方法以及其它经典模型在同一个真实数据集上进行了分析,并对比模型的预测效果。结果显示,在节点数大于一定数量时,引入有监督的随机游走算法预测速度略微领先,同时也证明了本改进算法的有效性。