在信息、生物和社会等领域存在着很多复杂网络，这些复杂网络中存在着对立关系，例如，信息领域中，用户在社交网站上可以对其他用户表达信任或不信任态度；社会领域中，人与人的关系存在朋友和敌人关系；国际关系存在同盟与敌对关系；生物领域中，神经元细胞之间存在促进和抑制关系。这些复杂网络都可以被看作是符号网络。研究者们越来越意识到，对这些存在对立关系的符号网络进行准确认识具有重要意义。例如，充分考虑符号网络上的正边和负边信息，能在语义网络上更准确地识别话题，也能在社交网站上对用户进行更准确的推荐等。总体来说，对符号网络的研究在社会领域、生物领域，特别是信息技术领域上呈现增长的趋势。　　符号网络中研究领域有很多，例如符号预测、社区分割、网络结构特征、网络演化等，其中，符号预测是研究者的重要内容，能够推动个性化推荐的发展。为了提高符号预测的准确度，研究者们提出了各种各样的预测算法，主要分为两大类，基于矩阵的符号预测算法和基于网络结构的符号预测算法。虽然预测准确度提高了，但是时间复杂度也相应地提高。所以，在利用网络局部特征进行符号预测时，为了保证预测准确度高的同时时间复杂度低，本文设计了一个方法对符号预测算法进行优化。该方法首先研究在不同步长下的符号预测，随着选择的步长数增加，预测准确度会越来越高，但是时间复杂度也会越来越大，因此为了降低时间复杂度，设计实验得到在不同步长条件下的预测准确度和运行时间，然后分析出预测准确度与时间复杂度的关系，最后确定至多选择步长为3来进行预测就能得到令人满意的预测效果。为了进一步降低时间复杂度，本文接着改进该方法，结合节点重要度的知识，在进行符号预测时，考虑步长上的节点的重要程度，通过选择一些重要度较高的节点来进行符号预测，使得预测准确度与利用步长上所有节点得到的预测准确度相近。由于不必利用所有节点进行符号预测，所以这样就能进一步降低时间复杂度。　　本文使用上述的方法进行实验，对符号预测算法进行优化，得到了合适的符号预测优化方案，使得预测准确高的同时时间复杂度低。