复杂网络中链路预测问题作为网络科学领域的重要问题之一,近年来受到众多学者的关注.链路预测是根据观察到的网络结构和已有的节点信息等,利用给定的预测算法,计算出不相邻的节点之间存在连边的概率.然而,基于网络结构相似性的预测算法在挖掘网络结构信息时,不能准确地抓住当前节点之间的结构特征,导致网络结构利用率不高.针对此问题,本文从局部网络结构相似性和全局网络结构相似性两个角度进行链路预测.主要工作和结论如下:1.在无向无权网络中,传统的局部预测算法仅关注共同邻居节点的结构特征,忽略了节点对与共同邻居节点之间的网络结构对相似性的贡献.针对节点间存在局部结构差异性的问题,本文从节点的局部网络结构出发,分别考虑共同邻居节点的个数和节点对与共同邻居节点之间网络结构,提出了基于共同邻居和亲密度的链路预测算法.与其他5个典型预测算法对比,实验结果表明基于共同邻居和亲密度的链路预测算法具有良好的预测性能.此外,根据该算法的特点,将算法推广到加权网络中,改进了3个典型的加权预测算法,并且取得了不错的预测效果.2.在基于随机游走理论的链路预测中,一般游走粒子在节点之间是等概率转移的,但由网络的度相关性可知,粒子不一定等概率游走,可能会受到节点度值的影响.针对粒子在无向无权网络中存在偏向游走的问题,提出有偏向的重启随机游走链路预测算法.该算法从全局网络结构出发,考虑游走粒子基于节点度值进行有偏向转移,得到有偏向的重启随机游走相似性指标,然后运用到链路预测过程中.实验显示有偏向转移的预测算法比无偏向的预测效果好,且在最佳的偏向系数下,与其他局部和全局相似性指标对比,可以得到更好的预测效果.同样,为了扩大该算法的适用范围,根据随机游走的特点,将提出的相似性指标推广到有向网络中,发现有向网络中仍然存在偏向转移现象,并且有偏向的重启随机游走预测算法具有更好的预测能力.