现实生活中许多复杂的系统都能够使用网络来描述,利用复杂网络来抽象复杂系统是常用的研究手段。链路预测作为社会网络的一个重要研究领域,由于其重要的实用意义和理论意义,受到了来自各个领域学者的关注。就实用意义而言,链路预测的有关研究可以用于指导生物蛋白实验、推荐社交网络好友等;就理论意义而言,链路预测的有关研究可以巩固网络科学的理论基础。早期的链路预测一般都是基于传统的机器学习和马尔科夫链进行的,主要利用了网络节点的属性信息,然而网络节点的属性信息既难以获取又无法保证其可靠性。由于利用节点属性信息进行链路预测存在诸多弊端,基于网络节点结构信息的链路预测算法得到发展。基于网络全局结构信息的算法通常时间复杂度过高,难以在规模较大的网络中使用;基于网络局部结构信息的算法虽然降低了计算复杂度,然而代价却是预测效果的相对下降。基于以上这些问题,同时受自然语言概率图模型在词向量表征上的应用启发,本文提出了基于CBOW模型和Skip-Gram模型的链路预测算法。通过在网络中进行概率游走得到节点序列,结合上述两种语言模型训练得到节点对应的向量,利用向量间的距离来衡量对应节点间的相似性,以此相似性指标来进行链路预测。本文在6个真实的数据集上进行实验,选择AUC和Precision指标来评价本文提出算法的准确度。通过和基准方法的对比和分析发现,本文提出的链路预测算法较大幅度的提升了预测准确度。