移动社交网络已经成为现代信息交流的重要平台。用户关系在社交网络的形成,评估信息的质量等方面发挥着重要作用。然而,由于隐私设置或是数据丢失等问题的存在,节点之间的关系在很多情况下并不可见,这给网络的完整性和可用性提出了重大挑战。社交网络中不同强度的用户关系可以映射为有向加权网络中的边权值。因此,在网络中构建一个高精度、高鲁棒的边权预测机制是一个亟待解决的研究课题。目前,已有研究者们提出一些利用节点属性和拓扑特征相结合的方法,进行网络中的边权预测。但是在实际应用中,节点的属性很难获得。因此,本文提出了一种基于集成树模型的有向边权预测机制(DEWP)。此算法仅使用网络拓扑结构和边权信息而不依赖于节点的私有属性信息。根据局部相似性指标,结合网络中方向和权值的因素,本文设计了一系列用于有向加权网络中衡量节点对相似度的指标,并将其作为节点对所对应边缘的特征。使用这些特征属性,利用随机森林,梯度提升决策树,XGBoost,LightGBM算法分别进行社交网络中有向权重预测模型的训练。为了防止数据量较少时容易出现的过拟合情况,本文使用上述四个回归模型的线形融合模型作为最终的预测结果。本文在不同数据集上测评了DEWP的边权预测性能。相比于其他已有的相关方法,DEWP预测所得的边权值和真实边权之间有更小的均方根误差和更大皮尔逊相关系数,这表明DEWP可以更为精确的预测有向加权网络的边权值,即可以较为准确地预测社交网络中的用户关系。同时本文测试了在缺失不同程度边权信息的网络中,DEWP可以维持高准确性的预测结果,具有较好的鲁棒性。