世界上的各种复杂系统千差万别,为了对这些复杂的系统有一个更加清晰全面的认识,我们将研究对象抽象成节点,将研究对象之间错综复杂的关联关系抽象成节点之间的连边,重新组合在一起,就形成了形形色色各种类型的网络。通过对抽象网络的研究,我们就可以发现隐藏的存在于研究对象之间的内在作用规律,这将对人们的实际生活产生巨大的效益。链路预测领域就是其中一种对抽象网络长期研究形成的成果。链路预测领域综合了相似性分析,网络动力学,贝叶斯模型,机器学习等多个学科的方法和技术,主要致力于解决如何预测网络中尚未产生连接的两个节点之间产生连接的可能性,在社交网络分析,生物网络分析,网络重构,个性化推荐等多种问题上都有应用。链路预测问题有着巨大广泛的实际应用价值和理论研究意义,因而,提高链路预测的准确性对实际应用和理论研究都将会产生巨大的推动作用。链路预测方面的研究已经硕果颇丰,已经有了许多预测效果很好的链路预测模型以及相应的模型性能评估指标。但是,一方面,随着网络科学理论的不断发展,不断地有新的更加有效的衡量指标被提出来,现有的链路预测算法模型中使用的一些指标已经不能够很好地抓住网络的本质特征。不断地提高链路预测算法预测结果的准确性是我们不懈的追求,这就需要对现有的链路预测算法模型进行进一步的改进。另一方面,利用新的链路预测算法模型做相关推荐的应用还比较少,将链路预测领域的最新理论进行落地服务的场景还不够多。鉴于此,本文的研究内容主要有以下几个方面:(1)对传统的基于相似性分析的链路预测算法做了详细研究,在此基础上,结合节点的h指数泛化理论,提出节点的h指数泛化的中间过程同样是节点的重要属性,并利用节点的h指数泛化的中间过程重新对基于随机游走相似性分析的链路预测算法做出改进,从而形成了新的随机游走相似性指标。同时,利用6个不同类型的真实网络对基于新的随机游走相似性指标的链路预测算法进行了实验,借此证明了将节点h指数泛化的中间过程作为节点的一项重要属性的有效性和准确性,从而对链路预测算法预测结果的准确性进行进一步提升。(2)使用流行的基于python的开源异步web应用框架Django和经典的关系型数据库管理系统mysql,基于新的随机游走相似性指标的链路预测算法模型,提出了新的结合二部图投影与排序的协同过滤推荐算法,并以此为推荐算法的核心,开发出了个性化的观影推荐系统,从而将链路预测的理论变成了现实,这个系统是对本文研究成果的具体实践和应用。为了保证推荐结果的准确合理,本文还将新的基于泛化h指数的协同过滤算法同经典常用的协同过滤推荐算法预测效果进行了对比验证,表明本文新提出的协同过滤推荐算法可以大大提高推荐的准确性。