随着互联网行业的快速发展,人类的生产生活产生大量的复杂网络。链路预测的主要任务是通过已知的网络节点以及网络结构等信息,预测网络中尚未产生连边的节点对之间在未来产生链接的可能性。作为数据挖掘领域的一个重要分支,链路预测已成为各领域研究者关注的重点,广泛应用于生物实验、推荐系统、网络重构、在线社交等领域。以共同邻居（Common Neighbors,CN）为代表的传统链路预测算法仅根据节点的一阶邻居信息计算节点对的预测得分,凭借易于实现、可解释性强等优势已拥有大量的应用场景,但随着网络规模的不断增加,仅根据一阶邻居信息进行链路预测难以准确建模网络全局的演化趋势。对此,研究人员尝试引入更多的邻居信息丰富待预测节点对的属性,达到提升链路预测精度的目的。现有的链路预测算法表现出良好的预测效果,但仍存在一些问题,例如:1、侧重于利用节点的单一属性进行链路预测,缺乏对多种节点属性信息的整合;2、未考虑节点间不同路径的差异性,仅对其进行无差别选取,缺乏对路径信息的充分挖掘;3、通常针对特定类型的网络进行算法设计,难以直接迁移到其他类型的网络中。针对现有算法存在的不足,本文围绕基于节点重要度的链路预测算法展开研究,主要工作如下:（1）为充分利用网络的全局信息,提出一种基于节点全局重要度的链路预测算法（Nodes’Global Importance Based Link Prediction,GI-LP）。通过k-shell分解算法将网络进行划分,根据不同子网络的影响力为节点分配对应的6)值;为充分挖掘邻居节点的信息,利用香农熵度量邻居节点的多样性;将节点自身以及邻居节点的信息进行充分整合,计算得到节点的全局重要度;根据有向网络不同链路类型的区别,将节点全局重要度整合到链路权重中,构建带权邻接矩阵;利用改进的Bi-fan预测器计算待预测节点对的得分。在六个不同领域、不同规模的数据集上进行对比实验,结果表明所提出的算法在链路预测性能上均优于基线算法,并在一定程度上缓解了数据稀疏性问题对链路预测任务的不利影响。（2）考虑到某些节点的全局重要度较低,但在特定领域的子网络中表现出较强的影响力,因此,提出一种基于节点局部重要度的链路预测算法（Nodes’Local Importance Based Link Prediction,LI-LP）。考虑到待预测节点对之间的最短路径长度会对新链路的产生带来影响,通过将最短路径与节点的权重结合,计算节点的局部重要度;设计一种基于有向图的图卷积网络模型,利用节点的局部重要度控制图卷积网络模型在信息聚合阶段对邻居节点的信息提取程度,借助图卷积网络强大的信息提取能力,充分挖掘网络结构信息,产生节点的低维向量表示;将待预测节点对的低维向量进行拼接处理,通过多层感知机（MLP）输出预测得分。在六个不同领域、不同规模的公开数据集上进行对比实验,结果表明提出的算法具有较好的链路预测性能。（3）考虑到节点的全局重要度和局部重要度均对链路预测任务有积极的影响,因此,提出一种结合节点全局和局部重要度的链路预测算法（Combined Nodes’Global and Local Importance Based Link Prediction,CI-LP）。采用k-shell分解算法将网络划分为具有不同影响力的子网络,根据不同的子网络为节点分配对应的6)值;通过计算邻居节点6)值分布的香农熵,将其作为邻居节点多样性的表示,达到充分提取邻居节点信息的目的;结合节点自身和邻居节点的信息计算节点的全局重要度;通过Dijkstra算法计算待预测节点对之间的最短路径,使用节点全局重要度初始化节点的权重,连乘最短路径中的节点权重输出节点的局部重要度;利用适用于有向图的图卷积网络模型,将节点的全局重要度添加到节点的属性向量中,结合节点的局部重要度对网络中的邻居节点信息进行充分提取,将复杂的图数据转化为低维向量表示,达到有效结合节点的全局和局部重要度的目的;拼接待预测节点对的低维向量,利用MLP输出预测得分。在六个不同领域、不同规模的公开数据集上进行对比实验,结果表明提出的算法在预测准确率上均高于基线算法。