随着科技的进步,以复杂网络为研究对象的网络科学得到快速发展。作为网络科学的热门研究方向之一,链路预测的主要任务是发现网络中未知或错误的链接。链路预测的研究不仅有助于理解网络结构和演化机制,而且具有广泛的社会应用价值。现有的预测指标多是基于节点相似性来衡量链接产生的可能性,相比之下,从链接重要性的角度提出的指标较少。因此,本文以无权无向网络为研究对象,基于网络动力学中为节点或链接赋权的思想,提出了针对链接的权重模拟策略,并结合该策略从链接拓扑结构、节点相似性和网络表示学习三个角度提出了新的预测算法。首先,结合链接的聚类系数这一拓扑结构,提出了基于链接聚类系数的权重模拟预测指标——ERA。在10个真实网络上的实验结果既表明ERA指标具有良好的预测效果,也验证了链接的聚类系数能直观的反映网络的局部结构。其次,为了进一步提高预测精度,考虑用节点相似性来描述链接的重要性。同时,结合资源分配过程,用信息补偿策略来区分不同距离邻居节点的贡献度,提出了三种预测指标——RCN、RAA和RRA。通过实验分析不同评价标准下的预测精度,验证了新指标良好的预测性能和稳定性。最后,为了减少时间消耗,基于网络表示学习,用节点空间向量来描述节点间的亲密性,进而提出了新的预测模型。并通过结合DeepWalk、LINE和Node2vec三种表示学习算法进行权重模拟,得到了对应的预测指标,有效的提高了计算效率。实验结果表明,这些预测指标都有着较高的预测精度。另外,与LINE和Node2vec相比,基于DeepWalk的权重模拟预测指标有着更好的预测性能和鲁棒性。