复杂网络链路预测的目的就是要找出网络中缺失或者潜在的联系,在推荐系统、犯罪预测、群体行为发现以及网络安全领域有着广泛的应用。用于解决这类问题的方法主要分为两类,一类是基于拓扑结构的方法,其依赖于网络的拓扑信息,优点在于速度快、效率高,是链路预测问题中广泛研究的方法;另一类是基于分类学习的方法,这类方法通常需要额外的定义特征信息(如年龄、兴趣爱好、性别等),并需要花费较多的时间来训练模型,所以较难满足实时预测的需求,但其预测的结果通常比基于拓扑的方法好。目前这两类方法大多数都应用在较小的网络中,而现在许多网络的数据每天都是成指数增长,故有必要在大型网络中进行链路预测研究。根据网络的拓扑特征将网络划分成社区内紧密连接的网络(TCWC)、社区中有核心节点的网络(HNWC)、社区内连接稀疏的网络(SCBC)和社区之间联系紧密的网络(TCBC)四种类型,并分别分析了对这四种类型网络的链路预测研究可行的切入点。在HNWC网络中,社区信息用来对大型网络进行链路预测,采用基于链接密度的社区检测方法将每个数据集划分成社区,并能保证社区的稳定、快速和重叠等性质,研究结果表明社区信息能有效的提高对大型网络中链路预测性能并同时减少预测的时间开销。然后考虑到HNWC网络中提高邻居的影响力一定程度上能提高预测的性能,同时资源分配算法(RA)是目前基于拓扑结构的链路预测研究中较好的方法之一,因此在RA的基础上增加了邻居对预测结果的影响,提出了一个新的和邻居相似的方法(SN),并对大型网络进行预测。实验结果表明,该方法能有效的预测HNWC网络。在TCWC和SCBC网络中,因节点有趋向于比自己度大的节点学习的特性,和博弈演化中节点策略选取相似,故本文将链路预测过程看作是网络演化的过程,并引入网络演化中的基于模仿学习的方法。在这个方法中我们用共同邻居(CN)来替换收益差,用RA来替换链接强度,提出了基于模仿学习的方法(IL)。实验结果表明,IL在聚类系数较大的网络中有较好的表现。