过去十年来,复杂网络已成为多学科交叉研究的重要领域,受到了来自不同领域的学者的关注。链路预测作为复杂网络中最重要的研究方向之一,不仅能够揭示网络的潜在演化机制,还能深入挖掘网络中隐含的结构信息。基于相似性的算法是链路预测中的最简单的方法,并且已成为主流研究方向。现有的基于相似性算法大多假设相似的节点更有可能产生连接,然而当网络的聚集系数不高时预测精度也会随之变低,不能适用于多种类型的网络。不同于以往的基于相似性算法仅仅聚焦于节点两两之间的关系,本文利用邻居节点来描述节点自身的信息,并将相似度的学习和缺失边的预测整合到同一个框架中,从而提出了自适应相似度正则化方法来联立学习节点相似度和预测矩阵。具体来说,我们构建一个基于相似度正则化的优化问题,通过求解该问题的同时计算自适应相似度和预测矩阵。除此之外,我们提出了一个基于增广拉格朗日乘子方法的算法对优化问题进行求解。本文通过大量的实验验证了自适应相似度正则化方法能够对多种类型的网络中保持良好地预测性能,并优于其他链路预测算法。同时基于增广拉格朗日乘子方法的算法能够使得相似度和预测矩阵的计算快速收敛,表明本文提出的算法在链路预测中有潜在的利用价值。