链路预测是近年来新兴研究课题,是包含数据挖掘,信息科学和复杂网络在内的多个学科的交叉研究要点,在理论研究和实际应用中扮演着越来越重要的角色。近年来,科研人员基于网络结构特征进行了大量预测方法的研究,以深入挖掘网络结构信息,揭示网络演化机理。然而,现有研究成果更倾向于利用端点对之间的传输路径进行预测,鲜少考虑端点在预测中的作用。即便考虑了端点的影响力,也只利用端点度来进行定量研究,导致了节点中蕴含的信息未能得到充分利用。因此,本文紧跟国内外研究前沿,借鉴社会网络中对节点影响力的研究成果,对拓扑结构相似度链路预测算法进行了深入研究,并取得如下成果:(1)深入研究探讨现有经典链路预测算法,分析各个算法的切入角度,比较其优缺点,并在此基础上引出研究方向、动机及目标。拓扑结构相似度链路预测算法主要研究端点对之间的传输路径,往往忽略了端点本身影响力对预测过程的影响。为此,本文借鉴了社会网络对节点影响力的研究成果,同时利用端点全局影响力指标:度和H指数,基于经典局部算法提出了新的加权综合影响力算法Weighted Synthetical Influence Featured Models(WSI)。算法中引入参数α进行加权,以此来区别不同影响力指标在预测过程中的具体作用。12个真实网络数据集上的实验结果表明,在相同的时间复杂度下,WSI相较于传统局部算法,可以优化预测精度。(2)在综合考虑端点度和H指数为影响力后,进一步研究该方法的普适性。局部算法在预测过程中,只考虑端点对之间经过公共邻居节点的二步传输路径。但实际上,长路径在传输中也同等重要。因此,本部分首先将度和H指数的简单混合思想扩展到可调整传输路径长度的准局部算法Superposed Random Walk(SRW)中,建立了简单混合影响力模型Simple Hybrid Influence Model(SHI);同时,考虑到影响力指标具有异质性,基于SHI算法,建立异构影响力模型Heterogeneous Hybrid Influence Model(HHI)。此外,为完善算法体系,在SHI算法中引入参数α,建立基于H指数和度多样性的混合影响算法 Hybrid Influence Index Based on Diversity of H-index and Degree(HED),通过调整α的取值探讨度和H指数在预测过程中的具体作用。与经典算法在12个真实网络数据集上进行比较,以验证新算法的可行性及优越性。比较结果表明,新算法可以提高预测精度。总的来说,本文通过分析网络节点属性和影响力度量指标,从多个角度提出了基于端点影响力的相似度算法,并基于真实网络数据进行实验仿真,验证算法的可行性及优越性。本文从新的角度对链路预测进行研究,为网络科学、信息学、数据挖掘等研究领域提供新的研究思路。