超网络是复杂系统结构的一种重要表示方法,其中的超边是一组任意多个节点集合,表示这组节点之间存在交互关系,如微信中的群聊天、化学上的多物质反应。超网络对成组关系的无失真表达很大程度上改变了人们对真实数据的建模方式。超链路预测问题,即对超网络上的潜在超边进行预测,是超网络研究的一个热点方向,也是理解超网络形成机制和演化规律的基础,具有很强的理论意义和应用价值。超网络复杂的拓扑结构和超边中节点个数的任意性使得超链路预测问题极具挑战,现有的超链路预测方法在预测效果、可解释性上都表现得不甚理想。为此,本文从探索超边的形成规律入手,基于网络结构特征分析进而开发出新的超链路预测算法,提升预测精度。其主要研究工作和贡献如下:（1）方法扩展研究。研究首先着眼于普通图的链路预测方法,将普通图内计算节点对相关性的方法扩展到超网络环境下,之后,由于超边大小的任意性,我们将上述方法再度进行扩展,使其能计算任意大小节点组的相关性。扩展的每一步简洁但不简单,具有很好的可解释性。在这一研究中,本文的杰出贡献是将一个基于带重启随机游走的方法扩展至超网络环境下,为此,我们首先引入了超网络上的随机游走,并基于该随机游走得到了平稳分布,研究证明了平稳分布的存在性,并最终得到了带重启随机游走的方法分数。（2）方法抽样分数研究。对上述所扩展方法在九个所引入的真实超网络中进行分数抽样,生成对应的分数抽样分布和误差棒图,基于所得到的统计特征对超网络进行结构分析并进行假设检验以验证扩展方法的有效性。这一研究显示不同类型的超网络方法分数统计特征有着明显差异,我们对这种差异进行了基于超网络结构的解释,并在最后验证了所引入的扩展方式的有效性。本研究还对不同大小超边的抽样分数分布进行了同样的结构性与有效性分析,并指出了不同大小的超边可预测性之间的差异。（3）超链路预测研究。本研究对所有以扩展方法在真实超网络上进行了标准的超链路预测实验,为克服负样本过多导致的极端类不平衡问题,本研究在实施的过程中对超边进行了依超边大小分布的下采样,从而平衡正负样本的数量。并以二分类的通用评价指标AUC、AUPR、精确率、召回率评估最后的链路预测结果。评估结果从一方面展示了所引入的随机游走方法的优越性,也从另一方面体现了超链路预测任务的困难性。类似于对方法分数抽样分布的研究,我们也评估了方法对不同大小的超边的预测性能,并得到了与上一研究类似的结论。这均佐证了大超边在形成前内部成员的强烈相关性。最后,我们引入了最近十分火热的集成学习技术:将前面所引入的各超链路预测方法看作特征,送入Light GBM、LR等机器学习模型用作集成学习,最后发现集成学习的效果与负边下采样的方式密切相关。综上所述,本文针对超链路预测问题,设计了多个扩展方法,并在统计分析的基础上,根据实际背景与真实超网络设计了标准的超链路预测实验。实验表明了所设计方法的有效性,不同大小超边可预测性上的区别,真实超网络的结构性差异以及不同负边采样方式对超链路预测的监督学习模型的性能影响。