大数据时代使得现实中的网络结构更复杂信息更丰富,作为数据挖掘领域的重要研究方向,链路预测问题的研究对象开始从同质信息网络转向异质信息网络。面向合作关系的异质信息网络链路预测通过综合利用网络中丰富的信息,提高合作关系链路预测的精确度和预测效率,为现实中各个领域的合作关系建立提供有价值的指导,具有重大的研究意义。现有的合作关系预测方法多是针对特定网络的,未能充分利用异质网络的丰富语义和合作关系的时效性,预测算法性能不佳。本文提出一种面向合作关系的异质信息网络链路预测方法MRF,基于异质信息网络的元路径,从特征提取与分类算法两个角度改进现有监督学习预测算法。首先根据合作网络的模式利用深度优先搜索得到用户对之间所有元路径的实例,将异质信息网络中用户节点对的元路径特征作为机器学习样本数据的属性,在元路径拓扑特征的基础上考虑基于链路熵的链接概率分数改进元路径综合特征。同时针对合作关系的时效性,将用户节点对的时效性特征用户对阶段性活跃度也作为样本属性。然后结合集成学习的思想,使用改进的随机森林分类算法构建预测模型,通过基于快速聚类的欠采样方法解决合作关系样本的类不平衡问题。调整随机森林参数,在提高预测精确度的同时减少算法运行时间。为评估预测方法性能,本文选择DBLP、Movielens、豆瓣电影数据三个真实的合作关系异质信息网络数据集,从AUC、正确率Accuracy、精确度Precision和召回率Recall四种评价指标的角度,实验对比本文方法与现有的异质信息网络链路预测方法。结果显示,本文提出的面向合作关系的异质信息网络链路预测方法准确度更高。