社交网络中的链接预测属于数据挖掘的一个研究方向，社交网络是由社会实体与他们之间关系组成的。链接预测的目的是从这种显式的关系中找出那些隐藏的关系。传统的数据挖掘通常是在实体属性信息的基础上进行的，而链接预测是从实体关系这个角度出发，对这些关系进行挖掘。链接预测的应用非常广泛，在社会学领域中，它可以对社会演变过程进行分析研究；在电子信息领域中，链接预测可以用来创建各种推荐系统；在生物信息领域中，链接预测可以用来分析蛋白质之间的相互作用。因此，对社会网络中的链接预测进行研究具有非常重要的价值。目前，大多数的链接预测算法是从以下两个角度进行研究：一、相似性角度，即利用实体间的相似度进行链接预测，这些相似度函数大多是通过社交网络的拓扑信息进行设计的。但是，现有的链接预测算法并没有充分的应用这些网络拓扑信息，如共同邻居算法（Common Neighbor），它仅仅利用了实体之间共同邻居的个数作为相似度指标，而忽略了这些邻居间的相互关系；二、信任角度，它利用了社交网络中实体之间的拓扑信息和属性信息进行链接预测，但是，在信任度的计算过程中，这些算法总是平等的对待社交网络中的每一个实体，而且一些信任计算方法具有一定的主观性，如TidalTrust算法，它在计算信任度之前需要用户对他们的直接邻居进行评分。另外，在二进制信任网络中，信任度只有两种值（0表示不信任，1表示信任），从而不能够真实的反映实体间的关系。本文针对以上的这些问题进行以下研究：第一、针对大多相似性算法没有充分考虑网络拓扑信息，本文设计了一个相似度计算方法，它考虑了网络节点间的属性关系，而且在计算方法中引入余弦相似方法，使在考虑网络节点属性关系的同时，不会忽略属性间实际的文本相似度。第二、针对大多信任度计算方法总是平等的对待网络中所有的节点，而忽略了各网络节点自身的特性，以及一些信任度计算方法具有一定主观性等不足，提出了一个新的信任度计算方法，它以节点间的交互次数作为节点间的信任权重，这能更好的反映网络中的节点关系。第三、提出一种基于信任和相似标签的链接预测算法(TAST)，大多的链接预测算法只对具有目标标签的节点进行处理，而基于信任和相似标签的链接预测算法对所有的节点进行处理，来提高链接预测的覆盖率。