复杂网络一般包含两种信息:一种是节点间相互连接形成的网络拓扑结构信息,一种则是节点的属性信息。提高链路预测精确度的方法相应地也分为两种:一种是更合理地表示网络结构,一种则是更充分地利用节点属性信息。然而,现有的基于拓扑结构的链路预测算法较少考虑节点自身重要性对于相似性的贡献,并且大多数算法没有考虑节点的属性信息,因此对于网络拓扑信息的使用均存在一定的局限性。基于此,本文对现有研究做出的改进内容具体如下。首先,针对现有链路预测算法大多数侧重于关注节点对的公共信息反而忽略了节点自身信息的现状,提出了一种基于节点重要性的有向网络链路预测算法。本算法首先根据Page Rank思想计算每个节点的重要性值,然后利用局部结构特征定义互惠链接权重,将节点的重要性集成到网络的邻接矩阵中得到网络的加权邻接矩阵,随后使用改进的Bifan预测算法计算节点对的相似度,最后将此算法的思想拓展到了经典算法指标中进行链路预测。其次,针对目前链路预测算法研究思路过于单一,人们较少兼顾网络结构属性和节点属性,不能充分挖掘网络拓扑信息的现状,提出了一种基于融合属性的有向网络链路预测算法。在本算法中,首先分析了有向网络中基于公共邻居的结构属性,定义结构属性相似度,然后对全局性算法时间复杂度高,无法应用于大规模网络的现状,利用基于节点的局部重要性挖掘节点属性。最后给出了融合属性的相关概念和描述,并且分析了节点的融合属性对预测未连接节点影响的相似性贡献。最后,通过在真实有向网络数据集进行实验,分别将基于节点重要性的有向网络链路预测算法和基于融合属性的有向网络链路预测算法与经典算法进行比较和分析,从而验证两种算法对提升链路预测精确度的有效性。