链路预测作为复杂网络中挖掘和预测缺失信息的方法,越来越受到人们的重视。尽管研究人员提出了各式各样的链路预测算法,但是对不同连边预测精度的差异性缺乏系统的研究。同时,在复杂网络节点未来度增量的研究中,目前基于偏好依附的流行度预测算法并不能很好的解决网络中新节点的流行度预测问题。本文旨在厘清复杂网络链路预测的精度分布特征,并通过聚合链路的预测结果实现对于节点未来度中心性的预测。本文的主要工作如下:（1）传统的链路预测值关注预测AUC的平均值,在本研究中,本文系统的分析了对测试集中每一条边的AUC,发现预测结果表现出显著的两级分化现象。通过进一步分析,本文发现对于那些网络中小度节点之间的连边的预测整体都很差,甚至低于随机预测的精度;而大度节点之间的连边的预测结果则非常高,接近于1。这个研究结果揭示了目前链路预测算法预测结果的异质性,同时为链路预测算法提供了改进的方向。（2）基于链路预测算法得到的连边未来出现的可能性,本文提出了一种基于链路预测的节点度增量预测算法,通过将连边出现可能性聚合从而实现对节点度增量的预测。本文系统的测试了14种链路预测的算法。实验表明,本文提出的方法能较为准确的预测节点度增量。研究中,本文发现度大的节点预测精度较高,度小的节点预测精度较低。该结果也揭示了在链路预测中,大度节点的预测精度比小度节点更可靠,验证了链路预测精度的异质性。（3）由于推荐系统本质上是二部图网络的链路预测,本文将网络节点中心性的预测方法推广到推荐系统中。目前对物品流行度预测的方法主要是偏好依附。偏好依附基于物品的历史流行度来预测未来流行度,而偏好依附通常对于大度节点有比较好的预测结果,但是对于小度节点,尤其是那些度相同的商品则完全没有失效。针对偏好依附的这些缺陷,本文基于协同过滤算法提出了一种基于推荐的流行度预测方法,通过结合每个用户的偏好和用户活跃度来预测物品未来流行度。实验表明,该方法在预测小度或度相同的物品未来流行度方面明显优于基于偏好依附的流行度预测方法。