网络科学作为一门新生学科得到了快速发展,链路预测是网络科学领域中的一个重要课题,它研究根据已有网络拓扑结构及节点属性等信息来发现网络中存在但未知的连边或预测现在不存在但将来可能形成的连边。链路预测在社交网络的好友推荐及基因调控等方面有重要的研究和应用价值。网络一般包含节点间的连接关系形成的网络拓扑结构以及节点本身属性两类主要信息,其中网络拓扑结构信息相对比较容易获取和计算。基于网络拓扑结构的链路预测算法仅考虑部分拓扑结构性质,特别依赖所定义的结构相似性指标,导致了预测结果在不同网络中表现差异较大,也很难给出一种通用的结构相似性指标。与此同时,在节点网络拓扑结构以外的节点属性信息,例如社交网络中的用户画像信息、微博网络中的用户博文信息等在链路预测算法中并未得到充分的利用,相关研究也较少。因此本文针对上述问题,将“如何充分有效地利用网络拓扑信息和节点属性信息进行链路预测”作为主要的研究内容,具体研究工作如下:(1)提出了一种基于图嵌入技术的链路预测算法NELP(Network Embedding Based Link Predication),将图嵌入技术应用到链路预测问题研究中,针对于结构相似性指标难以通用的问题,通过图嵌入算法学习网络的拓扑结构信息,将网络的拓扑结构信息嵌入到低维、稠密的向量空间中,得到基于节点的嵌入结构特征向量。通过这种非监督的表示学习方法更加完整的捕获网络拓扑结构信息。并进一步利用节点的潜在特征向量生成连边的结构特征向量进行链路预测。实验结果验证了NELP方法更加充分的利用网络中的拓扑结构信息,有效地提高了链路预测任务的准确性。(2)提出了一种新的链路预测算法,实现了融合拓扑结构和节点属性信息进行链路预测。算法在对于网络中节点属性进行统一编码得到节点属性特征向量后通过基于结构信息和属性信息前期融合的链路预测方法NEAEF-LP(Network Embedding with Attribute Early Fusion Link Predication)和通过构建深度模型对网络结构特征和节点属性特征进行非线性融合的链路预测方法NEADF-LP(Network Embedding with Attribute Deep Fusion Link Predication)两种方法对结构特征和属性特征进行融合。其中NEAEF-LP实现了网络结构特征与节点属性特征向量的前期线性融合;NEADF-LP实现了结构特征和属性特征向量加权后输入到深度神经网络进行非线性融合并输出链路预测分数。实验结果验证了属性信息的加入对链路预测算法的准确性有明显提升,并且使用神经网络进行深度特征融合的NEADF-LP方法在多个含属性数据集上取得了更高的预测精度。