随着社交网络的快速发展和移动智能终端的不断普及,基于位置的社交网络(Location-Based Social Networks,LBSN)逐渐成为人们维系社交关系、分享位置内容信息的理想平台,但也令网络数据量呈现爆发式增长,进而导致了信息过载。LBSN中的链接预测研究能够帮助用户从海量数据中挖掘出用户的潜在链接关系,向用户推荐“感兴趣”的其他用户或其他位置,对于把握LBSN结构的演化趋势和发展规律,增加用户对LBSN平台的忠诚度等方面具有重要的研究意义和应用价值。本论文主要研究内容如下:LBSN中现有链接预测方法主要考虑社会、位置、时间以及类别等单一因素,当数据稀疏性较大时,算法性能下降。针对该问题,提出一种LBSN中基于时空关系的超网络链接预测方法。首先,针对LBSN中网络的异构性以及用户间的时空相关特性,将网络划分成“时空-用户-位置-类别”四层超网络,对多维因素进行融合;其次,考虑到边权值对网络的影响,通过挖掘用户影响力、隐关联关系、用户偏好以及节点度信息,构建四层加权超网络模型;最后,通过定义超边及加权超边结构,挖掘用户之间的多元关联关系进行预测。实验表明,本论文提出的链接预测方法能够对用户间的链接关系进行有效预测,缓解数据稀疏性的同时提升了预测性能。LBSN中的现有研究大多孤立对待用户链接预测以及位置链接预测问题,且采取统一标准建模用户在时间和空间上的特性。然而,在实际中,用户链接与位置链接之间具有一定的内在关联,二者可以相互促进,且不同个体在时间和空间上均有不同的表现,需对个体进行建模。针对以上问题,提出一种LBSN中基于协作式的个性化链接预测算法(Cooperation based Personalized Link Prediction,CPP)。首先,针对用户的个性化特征,采用核密度估计方式对用户在时间和空间维度建模;其次,基于兴趣组对用户进行重叠社团划分,并通过社团、好友以及签到关系进行个性化用户链接预测;最后,基于个性化用户链接预测结果,利用从社团重启的随机游走预测用户的个性化位置链接。CPP算法通过用户链接预测和位置链接预测的迭代使得二者性能相互提升。实验表明,CPP算法相比于基准算法具有更好的预测性能。