真实世界中存在大量的实体对象,它们之间相互影响、彼此联系。以节点表示实体、连边表示关系,可以将实体间的关系建模为图。链接预测,作为图分析技术之一,旨在挖掘实体间缺失或下一时刻即将产生的关系,在网络演化机制、实体关联关系预测、数据去噪等方面具有重要的研究意义与应用价值。过去已有大量的链接预测方法被提出。基于人为定义结构相似性的方法具有简单、可解释性强等优点,但是单一、固化的特征无法适用于丰富多样的网络拓扑类型;基于最大似然估计的概率方法对数据具有较好的适应能力但繁琐的统计过程也带来了过大的计算消耗。相比于前面两种方法,基于机器学习的方法通过自动提取潜在的拓扑特征以及样本采样,取得了较好的泛化性能与计算效率。此外,由于图的稀疏性,建模网络中的层次化结构特征也为链接预测带来了普遍的性能提升。受此启发,本文提出了基于层次化链接模式学习的链接预测方法Hie Link。该方法通过提取点间不同长度的可达路径,构造不同阶数的层次化链接,从而解决因节点在低阶链接模式下连接过于稀疏而造成的预测困难。具体地,首先通过宽度优先搜索算法获取节点间的最短路径,并根据长度生成不同阶数的可达链接图,以刻画出网络中层次化的链接模式。接着,通过随机游走采样节点序列,并根据语言模型中的词嵌入方法进行节点的上下文嵌入学习,以生成节点在不同阶数链接模式下的向量表示。然后,通过依次合并节点从低阶到高阶链接模式下的向量表示,得到节点的最终表示。最终,为了进行链接预测,训练了一个多层神经网络完成链接的分类。相比于人为定义边嵌入算子的方式,训练过程的督导信息能够直接传导至连边的表示层,实现对链接隐式特征的自动抽取,从而完成边表示层到链接预测任务层的自动学习。实验结果表明,提出的方法在八个单层网络以及三个稀疏网络上的性能优于对比算法,并对稀疏链接拥有较好的处理能力。由于真实数据的复杂性,仅能处理单一类型链接的链接预测算法已无法处理网络数据中多种多样的链接类型。因此,在单层网络的基础上,本文将所提出的方法进一步扩展到了多层网络,提出了基于层次化链接模式学习的多层网络链接预测方法Hie Link-M。通过结合Hie Link中的高阶链接构造方法以及现有的异构网络嵌入方法,能够容易得学习到节点在多层网络中的层次化向量表示,从而提升了模型对网络中稀疏链接的处理能力。在五个多层网络数据集以及三个稀疏多层网络上的实验结果表明,Hie Link-M的性能优于经典的单层网络方法以及基于人为定义层间相关性或异构网络嵌入的方法。