在链接数据中,对象的类型信息对于链接数据的挖掘与利用具有非常重要的价值。然而对象类型缺失问题在链接数据中普遍存在。如何确定对象缺失的类型成为数据科学领域亟待解决的问题。传统的类型推理的研究能够通过逻辑推理找到缺失类型对象的类型信息,但链接数据概念层和实例层中的噪音会在类型推断过程中引发错误的传播,从而使得类型推断失效。基于机器学习的类型预测方法目前正在得到研究者的关注。由于链接数据中存在大量的文本信息和链接关系,本文提出了基于文本的类型预测方法和基于链接关系的类型预测方法。在基于文本的类型预测方法中,本文提出了对象图和类型虚拟文档这两个概念。对象图模型将多模式的RDF图简化为单模式图,对预测过程中的信息抽取和分类算法更为友好。类型虚拟文档由对象图中进行文本抽取所得,包含了对对象类型具有指示性的文本信息。一个对象的类型虚拟文档由多个子文档构成。按照每个子文档对类型的指示性,本文提出了四种不同的子文档权重分配策略。在基于链接关系的类型预测方法中,本文以协同分类方法中经典的ICA算法为基础,提出了面向数据属性和面向对象属性的类型预测方法,并比较了数据属性和对象属性对于类型预测的指示性。最终,在多个数据集上开展的实验验证了本文方法的有效性。基于文本和基于链接的类型预测方法在精度、召回率和F值上均取得了较好的结果。实验结果显示本文提出的类型预测方法在大规模链接数据中能够有效地找出对象缺失的类型。