现实生活中人们接触的各式各样的复杂系统都可以抽象为复杂网络。而且复杂网络牵涉到多种不同领域的学科知识,因此关于复杂网络的研究也吸引了来自不同学术的专业科研人士。通过研究分析这些形形色色的网络有助于我们对现实世界的社会、经济、技术和生物系统的理解。与复杂网络相干的钻研问题很多,本文主要探索链路预测的相关技术。因为链路预测能够揭示网络中潜在的隐藏属性关系,以致于具备重要的钻研意义和价值。现有的链路预测算法大多都是基于网络的拓扑构造建模,因为通过网络结构挖掘信息具有可靠性和可信性。然而已有算法受到精度和通用性的限制,所以构建更为通用和高精度的链路预测算法非常关键。该文侧重讨论了无权和加权两种网络,主要研究成果如下:NCE模型是结合矩阵分解的表征学习算法,适用在无向无权网络链路预测。它从度量网络中任意两个节点之间的全局概率转移的角度来解决图节点嵌入问题。这里定义了两个节点之间的全局概率转移矩阵计算方法GPTM,它是将随机游走和矩阵分解的两种方式结合起来定义节点之间的关联指标,将其应用于网络嵌入的学习过程当中。这里将无权链路预测看作有监督的二分类问题。将节点的表征向量与逻辑回归模型结合起来,预测任意节点之间存在的链路概率。在8个真实网络数据集上,通过AUC和Precision两种常用评估指标验证了NCE模型的高精度和可靠性。分析了NCE模型对不同程度的稀疏网络的拟合效果。结合四种主流的图表征学习方法分析了NCE模型随着节点嵌入维度的泛化能力和训练学习的时间复杂度。NEW模型是一种通用的无向加权网络链路预测算法。经过聚积每个节点的邻域信息来申明每个节点的特征属性。在这里我们将链路权值预测问题看作是有监督的回归问题,在监督学习框架下利用定义的特征属性来解决链路权值的预测问题,为此我们提出了多项式函数来拟合链路强度。在6个真实网络数据集上通过RMSE和PCC指标验证了NEW模型较其他基线方法具有明显的领先优势。同时分析了NEW模型在稀疏网络上预测的稳定性和可靠性。为了说明NEW模型能够处理超大规模网络,我们从理论上证明了该模型时间复杂度近似为线性,这表明该模型可以很容易的扩展到随着时间演变网络规模呈现线性或者指数式的增长而带来的困扰。另外我们进一步揭示了NEW模型中引入的自由超参数的作用,进行了一些综合分析。