现实世界中,许多的社会、生物和信息系统都可以用网络很好的抽象描述。通过网络中的结点来表示个体,用边来表示结点之间的关系或者交互。近年来,随着信息技术的发展,在线社交网络越来越流行。社交网络作为Web2.0的一种典型应用,利用互联网平台,提供了人与人之间交互的新方式,并通过用户之间的链接,为信息的分享与交流提供了新的途径。社交网络随着时间会不断发生变化,如何利用现有的信息有效预测网络中新链路的产生,不仅是网络分析中的一个基础问题,也是如今流行的商业社交网站的重要应用。在社交网络中,通过有效的链路预测算法,可以更好的理解社交网络中用户之间产生关系的原因,并用预测结果对整个网络中的用户结点筛选,从而给用户推荐感兴趣的信息。现有的链路预测算法,主要关注网络的结构特征,不能很好的描述用户本身的兴趣和特征。本文对社交网络中链路预测问题进行了研究,主要工作和贡献如下：1)利用有监督的随机游走算法计算网络中结点间产生链接的概率,从而进行top-K推荐。在该算法中,把结点和边的属性等特征以加权的方式作为网络中边的强度,在该转移概率的指导下在社交网络中进行随机游走得到用户间产生新链接的概率。论文选取了用户结点属性,以及用户之间交互等的数据作为特征,并对相关特征进行了分析。2)在社交媒体内容主导的网络中,用户的兴趣会在很大程度上影响用户之间链接的产生。通过分析用户的行为数据,对用户兴趣建模,找到在网络中与用户兴趣相似的候选用户集合。这样,通过对所有结点进行预过滤,不仅能够找到用户兴趣相投的用户集合,还能减少候选集合数目,提高算法的运行效率。3)在实际社交媒体网站上的数据进行了实验验证与分析,实验结果表明本文提出的算法是有效的。