人类活动构成了功能各异的社会团体,这些社会团体由不同的人、人与人之间错综复杂的关系组成。随着互联网与现代信息技术的飞速发展,传统的社会团体逐渐向线上转移和发展,在线社交网络已经成为承载人类活动的主要平台。作为人们日常生活的重要依赖,社交网络中节点众多,信息庞杂,且随时间不断演化,导致对其研究愈加困难。链接预测作为社交网络分析中重要的研究内容,有助于探索网络的演化机制和发展模式,评估社会现象,完善网络中的缺失信息,挖掘用户间的潜在链接。本论文以当前主流的社交平台为例,结合表示学习技术,针对未来链接以及未知链接预测进行了研究。本论文主要研究工作如下:1.在未来链接的预测方面,从社交网络中特征的异构性的角度出发,构建了一种基于特征表示与融合的链接预测模型。首先,针对结构空间的稀疏性和高维性,利用表示学习将其低秩稠密矢量化,以识别用户之间的空间关系,发现用户间的关联性;其次,考虑到文本语义的多样性和复杂性,引入词嵌入模型对用户文本向量化,并引入时间衰减函数,量化用户文本对链接形成的影响。同时,选取每个用户的top-k个关联用户,简化计算复杂度;最后,提出一种基于Attention和特征融合的链接预测方法,对结构空间特征和用户文本特征进行融合与挖掘,最终实现从多个特征空间综合预测链接的目的。实验表明,该模型能有效提高链接预测性能。2.在未知链接的预测方面,从社交网络中特征的多样性的角度出发,充分考虑不同因素之间的关联性,提出并设计了一种基于混合概率改进的表示学习的链接预测模型,挖掘用户之间的潜在关联,并发现影响链接建立的关键因素。首先,基于用户关系和用户行为,分别构建共同好友比例矩阵、共同行为比率矩阵和兴趣相似度矩阵;其次,利用Deep Walk算法在网络表示中的优势,将三个矩阵融合并将其作为Deep Walk算法中随机游走的转移概率,得到用户的向量表示;最后,计算向量之间的相似度并进行阈值判别,预测用户之间的未知链接。实验表明,该模型能有效预测用户间的链接,并可以发现链接建立的关键因素。