链路预测旨在根据网络节点属性以及网络拓扑结构等已知信息,找出当前网络中的缺失链接或预测未来时刻即将出现在网络中的新链接。它既可在理论层面揭示复杂网络的内在演化趋势,又可以在实际应用层面处理许多难以有效解决的重要问题,从而成为了复杂网络领域的重要议题。大量的研究表明一些重要的节点在网络中具有更大的影响力,而基于网络拓扑结构相似性的链路预测方法具有计算复杂度较低的特点。本文研究发现以往该类算法并未充分利用节点中心性这一重要特征,因而从共同邻居的局部中心性对链路预测的重大影响出发,提出基于共同邻居局部中心性多属性决策的链路预测算法,主要工作包括:首先,考虑到共同邻居中一些具有重要作用的核心节点往往具有更大的影响力,尤其在社交网络中,大量活动都是围绕这些核心节点展开,本文提出了共同邻居节点局部中心性概念及改进的局部相似性指标,并对共同邻居的局部接近中心性、局部介数中心性和局部三角中心性进行定义,从而将它们作为共同邻居节点的局部中心性的度量指标引入到改进的链路预测算法中。其次,本文通过对共同邻居节点的局部介数中心性、局部接近中心性以及局部三角中心性指标进行多属性建模,提出了基于TOPSIS多属性决策的局部中心性指标,该指标能够利用多种中心性指标来综合衡量共同邻居节点的局部中心性,避免了采用单一指标无法准确度量共同邻居节点的局部中心性的问题。接下来,考虑到传统的变异系数法和熵权法不适用于中心性决策指标的权重计算的问题,为了准确衡量中心性决策指标的重要性,本文提出了一种基于决策指标度量值差异性的权重计算方案,从而使基于TOPSIS多属性决策的局部中心性指标能够达到更好的度量效果。最后,在多个真实复杂网络数据集上进行的大量实验结果验证了基于共同邻居局部中心性多属性决策的链路预测算法的表现更为优越。