链路预测问题是复杂网络研究的一个重要分支,近几年由于复杂网络的发展以及网络结构信息的高可靠性,基于网络结构的链路预测方法受到了学者们的广泛关注,提出了很多经典方法。但是当前的方法对网络结构的利用率不高。针对该问题,本文做了以下三个方面的研究:(1)在现有的基于扩散的链路预测算法中,将节点间关系认为是对称关系,忽略了节点重要性不同对节点间关系的影响。文章在局部随机游走指标的基础上通过在节点间引入非对称的平衡因子提出了非对称局部随机走相似性指标(asymmetry local random walk,ALRW)。实验结果表明非对称性的引入提高了预测算法的预测精度。(2)网络结构描述的是可见关系,而网络中还包含非可见关系。基于网络结构的链路预测方法忽略了现实网络中存在的非可见关系。本文在LRW指标的基础上加入非可见关系得到接地局部随机游走相似性指标(grounded local random walk,GLRW)。之后将ALRW指标和GLRW指标融合得到接地非对称局部随机游走相似性指标(grounded asymmetry local random walk,GALRW)。ALRW指标和GLRW指标两方面的优势使得GALRW算法预测更加准确。(3)三元组结构是最小的网络子图结构。三元组分为稳定三元组和非稳定三元组。本文基于三元组提出了新的节点重要性评价指标,其中非稳定三元组结构来反映节点的活跃度。接着将节点重要性的倒数定义为该节点对其它节点的重要性,并将此应用CN指标、Sorenson指标和LHN-I指标中。实验结果表明,考虑网络中节点对单个节点的重要性能够改善链路预测预测效果。