在互联网迅猛发展的今天,人们习惯于通过互联网进行信息的传递,规模庞大的用户和错综复杂的关系构成了多姿多彩的在线社交网络。社交网络作为人们线上社交活动的重要载体,具有数据量巨大、传播途径多元、网络结构复杂的特点,导致网络结构不断演变和难以控制。如何把握社交网络的演化趋势和发展规律,挖掘用户的潜在关联,对用户间的链接关系进行有效预测是亟待研究和解决的问题。本论文主要从用户属性层面和网络结构层面两个方面出发,对社交网络中的链接预测进行了分析和研究。主要研究工作如下:1.在用户属性层面,针对多维属性因素间的耦合关联,利用社交网络中用户的行为数据以及关系数据,构建面向多维网络空间的相关性复用链接预测模型。首先基于分层的思想,将网络映射为多维网络空间,对各层网络空间的相关性分别进行分析,从而降低属性因素之间的耦合性;其次针对用户的多兴趣特点,利用潜在狄利克雷分布LDA(Latent Dirichlet Allocation)在处理兴趣划分问题上的优势,将传统对文本建模的方法用于行为建模;最后结合WAODE(Weighted Average of One-Dependence Estimators)算法的弱化独立性思想,对LDA模型进行扩展,综合多维因素进行链接预测,并发现影响链接建立的关键因素。2.在网络结构层面,充分考虑到非拓扑特征与拓扑特征之间的关联性,构建面向社交网络的三层隐贝叶斯链接预测模型。首先,将高斯加权LDA应用到用户行为建模中,挖掘用户潜在兴趣分布,分析内部驱动因素的影响;其次,引入用户活跃度进一步优化高斯加权LDA,增强了模型的解释性及兴趣主题的表达能力;最后,基于潜在兴趣分布重新定义隐朴素贝叶斯HNB(Hidden Naive Bayes)算法的隐含因子,分析外部驱动因素的影响,并利用改进后的HNB算法,挖掘用户的潜在兴趣分布,并对用户间的链接关系进行有效预测。结合真实的新浪微博和Twitter数据,本论文进行了实验验证。实验表明,本论文提出的模型有效融合了用户属性和网络结构,能够对社交网络中的链接关系进行预测,有助于掌握社交网络的演化趋势和发展规律,为推荐系统提供了参考价值。