复杂网络中由节点和节点间的连接组成的结构称为网络拓扑结构,社交网络是把人抽象为节点、把人与人之间的关系抽象为节点间连接的一种典型复杂网络。社团是代表社交网络重要特征的一种子网络,其拓扑结构随着时间的推移在不断发生变化,我们称之为社团演化,并将社团演化过程中的消亡,新生,收缩,扩张,分裂和融合称为社团演化关键事件。社团的网络拓扑结构随着社团演化及其关键事件的发生呈现出不同的特征。社交网络中关键事件的发生代表着用户群体的行为导向,可能意味着一些兴趣因素或社会因素的形成,对关键事件进行预测有助于提前挖掘这些因素并指导网络行为。因此,对社团演化关键事件的预测对于理论研究和实际应用都有非常重要的意义。社团融合事件的发生涉及多个社团,但以往的研究只能预测单个社团是否有融合倾向。本课题完善了该预测功能,提出的预测模型可以预测任意两个目标社团是否会发生融合。建立预测模型的过程中,通过分析社团融合过程中拓扑结构的变化机制改进了与社团融合相关的直接因素,并通过链路预测思想设计了社团级别链路预测算法来提取间接因素,以削弱直接因素带来的不确定性从而提高预测准确率。之后同时建立了以往研究中常用的分类器模型和本课题设计的社团融合倾向度模型,分别代入真实社交网络数据集,对预测结果进行比较和分析,得到社团融合倾向度模型对正常状态下的社交网络中社团融合的预测性能更好的结论,并验证了本课题所改进的直接因素和提取的间接因素对预测性能的提升。以往研究中针对各种社团演化关键事件的预测步骤大同小异,为方便其研究过程和应用实现,本课题设计了社团演化预测系统。总结以往研究中社团演化预测的基本步骤,将该系统划分出主要的三个引擎模块(社团提取模块,关键因素提取模块以及社团演化预测模块)以及输入、输出模块和数据存储模块,并针对本课题的研究重点—社团融合事件的预测,对各模块进行了具体的设计和实现。最后,本文总结了本课题的研究工作,并在算法设计和系统设计两方面提出了后续可能的改进点和研究方向。