近年来,随着复杂网络的发展,利用其拓扑结构进行链路预测成为研究的热点。通过对复杂网络拓扑性质的研究,较好的揭示了网络中节点间的相互关系,为进一步做好链路预测提供了可能。然而现有的链路预测算法在无向网络的相似性计算时,多忽略了节点间的差异,导致在进行节点相似性计算时有较大的误差。以社交网络为例,网络中用户间的影响就是有一定差异的,比如名人与普通人间影响的不同。目前基于链路预测的相似性指标有很多,例如基于路径的相似性方法,基于随机游走的相似性方法等。这些相似性方法在计算时并未考虑到节点间的非对称影响,在不同的网络中,节点所代表的含义也不尽相同,对于节点间的影响也应是不对称的。本文涉及的主要工作有:(1)提出了非对称最大转移相似性指标(AMTS)。该算法从节点度及节点间的路径出发,考虑了不同节点间的非对称影响。用度的大小代表网络中节点的不同类型,通过传递相似性找到两个节点间可达的最短路径上的最大传递相似性,提出一种新的半局部拓扑相似性指标。(2)AMTS指标在已有数据集上的验证。主要以Facebook、Celegans等传统网络数据以及用户-电影二分网络数据为例,将新提出的AMTS指标与已有的链路预测指标进行比较,通过十折交叉验证避免了实验的偶然性,并通过准确率,召回率,F1等衡量指标进行考察,得到ATMS在准确率,召回率方面都得到了很好的提升。(3)基于AMTS指标的致病基因预测。利用非对称最大转移相似性指标来找到从RHO出发对其他候选致病基因的不同影响,并将影响作为相似性,根据相似性对候选致病基因的进行排序。相似性越大表示其越有可能成为致病基因,将排序结果与确切的致病基因进行核对,从而得出AMTS方法比已有链路预测方法有更好的准确率。