复杂网络作为研究复杂系统的重要工具成为了科学研究的热点,链接预测作为其中的子问题,吸引着越来越多研究人员的关注。基于节点间相似性的链接预测算法是链接预测领域比较流行的研究方向之一,该算法的主要思想就是两个节点有越高的相似性,则这两个节点存在链接的可能性就越高。基于网络拓扑信息的链路预测算法作为其研究方向之一,由于网络拓扑易获得性逐渐成为研究热点。基于网络节点表示的方法也可以利用到链接预测中,这里的节点表示就是利用复杂网络中已有信息建立节点表示模型自动学习节点低维向量表示。然而,传统的基于网络拓扑信息的链接预测算法中已有的工作大都以预测节点对周围局部邻居为基础,缺乏对目标节点对周围高阶拓扑信息的一个整体认识,会丢失很多对提升链接预测效果很有价值的高阶拓扑信息。本文通过对已有算法的分析,提出了一种基于加权环绕子图的链接预测方法,该方法主要基于目标节点对局部的环绕子图结构来学习促成链接的子图模式。相比于传统的基于网络拓扑的链接预测算法,基于加权环绕子图的链接预测把目标节点对周围的子图作为一个整体去构建预测模型,使得构建的链接预测方法包含了更多有价值的拓扑信息。在基于加权环绕子图的链接预测方法中,怎样利用学习器学习目标节点对的环绕子图结构是得到促成链接子图模式的关键。本文提出了一种基于LSTM学习子图结构的链接预测方法,把目标节点对的环绕子图作为一个整体,然后将得到的环绕子图利用节点编码算法映射为一个LSTM可以学习的有意义的节点序列,并将节点表示向量作为其中的输入。实验表明,本文提出的链接预测方法提升了链接预测效果。