随着世界经济一体化的趋势不断增强,地区间、国际间的合作变得日益密切,在这背景下要特别强调合作。随着现代科学研究的深入,科研合作最有效的形式已经转变为团队合作,学科团队在各科研领域中扮演了重要角色。针对团队合作所表现出的网络关联性,可以通过复杂网络理论来描述。近年来,复杂网络链路预测问题受到学术界的广泛关注。链路预测是复杂网络分析领域的一项重要研究课题,可被应用于许多现实场景,如推荐系统、信息检索和市场分析等。传统的基于节点相似性的链路预测方法时间复杂度较低,但在准确度方面表现却没有其他链路预测方法好。此外,基于机器学习分类的链路预测方法在准确度方面优于基于节点相似性方法,但该方法通常需要额外的特征信息,并且如何处理分类样本面临的失衡性问题仍具有非常大的挑战性。目前大部分链路预测研究主要局限于静态网络,而现实中的网络系统是随着时间动态演化的,因此包含时间信息的链路预测研究将成为必然趋势。针对这种时序网络的研究,传统的链路预测方法无法直接应用。如何有效融合时序网络拓扑信息和链路的时间戳信息是解决此类网络链路预测问题的关键。为解决这一问题,本文从时序合作网络链路预测的研究背景出发,结合生存分析和博弈论,在此基础上引入一种有效的半监督学习框架,即多智能体自治计算框架,提出了一种基于动态博弈的双向选择机制来预测未来的网络拓扑结构。首先,定义一个邻接网络序列模型,并利用每条链路的时间戳生成真实的网络演化序列。然后,为探寻网络演化规律,通过对每条链路定义一组基于邻居相似性的特征向量,并采用Cox比例风险模型来估计该特征向量的协变量系数。最后,为缩小搜索空间,提出一种基于动态博弈的双向选择机制来预测未来的网络拓扑结构。在实验阶段,本文首先对DBLP数据集进行了经验分析,从消失链路和重连链路的角度总结了一些结论,对实验有一定的指导作用。然后,本文选择了斯坦福网络分析平台(SNAP)中的4个时序网络,并生成4个?-邻接网络序列。接下来本文将这4个?-邻接网络序列作为真实的网络演化序列,并将提出的方法分别应用于4个初始静态网络.最后,我们将本文提出的方法同5种基于监督学习的链路预测方法和3种基于概率模型的链路预测方法进行性能对比,在真实时序网络数据集上验证了本文方法的有效性和高效性。实验结果表明,本文所提方法在准确性和执行时间方面明显优于对比算法。