链接预测可以发现不同网络中隐藏的和未来可能产生的关系链接,这些关系链接在很多实际应用场景中得到了广泛的应用。对于无权无向的大规模网络图来说,相似性度量算法在计算复杂度上占据一定的优势。在进行链接预测时,现有的基于局部信息的相似性度量方法绝大部分都是通过待预测节点对的公共邻居来进行计算,这些方法都认为公共邻居之间相互独立,但实际上,公共邻居之间也有很密切的联系。因此,如何充分的利用公共邻居之间的联系来提高链接预测准确率是本文的第一个研究内容。在实际应用当中,人们逐渐需要对具有多个连续时间节点的动态网络进行链接预测。现有的链接预测方法主要针对只具有单个时间节点的静态网络,较少关注具有多个连续时间节点的动态网络的链接预测。并且,直接把现有的链接预测方法用来对动态网络的每个时间节点的整个网络进行链接预测效率较低,不能满足高效链接预测的应用需求。所以,如何提高具有多个连续时间节点的动态网络链接预测效率是本文的第二个研究内容。本文的主要研究工作有:(1)本文在已有的基于局部信息的相似性度量方法的基础上提出了一种新的链接预测算法,该算法不仅考虑了待预测节点对间的公共邻居的数量,还考虑了公共邻居之间的关系对相似性的作用。为了验证算法的有效性,本文将提出的算法与原始的算法以及其他基于局部信息的相似性度量算法进行了实验,实验结果证明了该算法将公共邻居之间的关系考虑进相似值的计算之后预测准确率确有提高。(2)本文将增量学习的思想引入到动态网络链接预测当中,在第一个研究内容的基础上提出了一种适用于动态网络的链接预测方法,实现了对动态网络的高效链接预测。该方法在对动态网络的预测过程中,对于两个连续时间节点间网络没有发生变化的部分不予处理,只对产生变化的部分重新进行链接预测,降低了时间的消耗。在DBLP数据集上进行仿真实验得出的结果证明该算法提高了链接预测的时间效率,并且预测准确率也略有提高。