近年来,随着互联网技术的蓬勃发展,研究事物间联系的复杂网络科学也快速发展。链路预测是复杂网络科学中热门的研究方向之一,其主要任务是预测网络中缺失或者未知的边,在理论研究和实际应用都有着重要意义。目前,大多数链路预测的算法在计算候选节点间相似度时都利用网络的局部拓扑信息;通过网络表示学习算法得到的节点表示向量包含潜在的网络结构特征;随机游走算法在链路预测中能起到很好的效果。受到上述启发,本文以无向无权网络为研究对象,分别从三个角度去改进链路预测算法,旨在提高预测算法的精确度。首先从网络局部拓扑结构出发,在CRA指标和CCN指标的基础上,将CRA的局部社团结构拓展到共同邻居和三跳邻居的形式,并加入参数来平衡两种节点的贡献度,从而运用新的局部社团结构刻画节点间相似性,提出新的链路预测指标——LXR指标。在10个真实数据集上的实验证明,改进后的LXR指标有着不错的表现。接着考虑到网络表示学习算法——DeepWalk算法节点序列中的节点之间的相似性关系,更改算法游走序列的抽样方式,将随机抽样改为有偏抽样,节点间的相似性通过LXR指标来刻画,从而改进的节点序列中节点间相似性更高,使得到的节点低维向量更能表征网络结构。将改进后的算法称为——G-DeepWalk算法。在13个真实数据集上进行链路预测实验,验证了算法的有着不错的预测效果;夹角余弦距离比欧式距离更能刻画节点表示向量之间的相似度,对预测精度的提升更多也更稳定,具有不错的鲁棒性;运用网络表示学习进行链路预测比直接进行链路预测能够更好的提升预测精度。最后,先通过DeepWalk和算法G-DeepWalk算法得到的节点表示向量,然后将表示向量和共同邻居相似度结合并归一化,从而将改进的转移概率矩阵运用到重启随机游走和局部随机游走算法中。在20个真实数据集上的实验结果表明,改进后的算法在链路预测的结果中有着非常不错的表现,并且有着较好的适用性。