大数据时代,数据不断涌现,如何高效地挖掘数据的价值,如何充分利用数据中蕴含的信息来服务个体,来促进社会的发展,是大数据时代的重要课题。推荐算法和链路预测就是在大数据时代背景下的产物,用于挖掘数据的价值信息。而如今,海量的数据分别来自不同的系统,各个系统之间相互关联,各个系统中的信息相互影响,因此,如何将不同系统中的数据放在一个统一的系统框架下面研究是当前的重要课题。同理,推荐系统和链路预测也应该考虑其他系统的影响,借助其他系统的辅助信息来提升自身的性能。伴随着推荐系统技术的发展,推荐算法也在不断地发展,而基于用户-商品的二部结构的推荐算法成为了推荐算法领域的研究热点。目前,基于物质扩散推荐算法的改进绝大部分是在单一的用户-商品二分网络系统上的改进,并没有引入其他系统的信息来辅助推荐。而在大数据时代,各个系统之间相互关联,在研究物质扩散算法的改进时,不应该只局限于使用单一的用户-商品交互信息来对商品进行推荐。基于此,本文提出了一种耦合社交网络信息的物质扩散推荐算法,来有效耦合社交系统中的社交信息辅助物质扩散推荐算法进行推荐,使得推荐的效果更佳。复杂网络中,链路预测是另一个重要的研究课题,通过定义节点相似性指标来进行预测的算法是链路预测中的重要方法。当前,用于链路预测的节点相似性指标大多只考虑了链路预测系统本身的链接结构信息,忽略了网络中链边的属性信息,而链边的属性信息量是不可忽略的,它能让系统学习出来的节点的相似性指标更能反应出节点的属性。本文也基于该课题提出了自己研究方法:基于图嵌入算法提出的一种新的链路预测相似性指标,该相似性指标能够耦合链接的正负号属性信息。新提出的算法让更多的属性耦合到了节点相似性指标中,使得新的节点相似性指标在链路预测实验中的表现更加优越。