作为社会网络分析的一个重要研究方向,链接预测是根据网络中已知网络结构和节点间链接关系,来预测网络中节点之间潜在或者缺失链接的方法。随着人工智能和深度学习的广泛应用,链接预测在预测网络演变、知识图谱和揭示蛋白质交互作用等学术研究,以及商品推荐、决策支持服务等应用服务领域均有重要的研究价值。目前,已有研究工作将社区结构信息融入到链接预测的研究之中,但是现有工作缺乏对社区结构信息和链接预测融合的深入研究。因此,本文主要在深入挖掘社区结构信息的基础上,从以下两个方面开展链接预测工作:1.基于节点相似度的链接预测方法和基于局部路径的链接预测方法是两类重要的链接预测方法。现有的基于节点相似度的链接预测方法,通常会考虑社会网络中节点的度信息;现有的基于局部路径的链接预测方法,则主要考虑节点间的路径信息。考虑上述两类方法的优点,本文在基于节点度的基础上,引入局部路径概念,提出了一种融合社区结构和节点度的局部路径相似度的链接预测方法。在常见社会网络及蛋白质网络中的实验结果验证了该方法的有效性。2.现有的基于社区发现的链接预测方法,通常仅考虑了处于同一社区的节点间的链接影响,但没有区分社区内外对节点间链接的影响程度。因此,本文首先定义了节点间的社区内相关性和社区之间相关性,明确了不同社区结构对节点间链接的影响。进而,本文提出了一种基于社区发现和节点拓扑结构链接预测方法。结合节点拓扑信息,改善链接预测方法的准确率。实验表明本文提出的方法可以改善链接预测效果。本文提出的两个方法均以社区结构信息为基础,对现有的链接预测方法进行了改进。其中,融合社区结构和节点度的局部路径相似度的链接预测方法主要考虑了节点度和局部路径关系;基于社区发现和节点拓扑结构链接预测方法主要考虑了社区内外对于节点间链接的相关性。两种链接预测方法均在实验中验证了方法的有效性。