信息技术的快速发展聚集了海量的网络数据。如何从海量数据中快速有效地获取信息正面临着巨大的挑战。在社会网络分析领域,链接预测作为网络结构研究的一个关键问题,不仅要考虑节点特征还需要考虑节点之间的关系特征。在基于位置的社会网络中,链接预测问题除了考虑节点之间的关系特征之外还需要考虑节点的位置特征。目前,国内外对于位置网络中的链接预测问题研究较少,且通常将朋友关系和签到位置作为相互独立的两个研究内容。然而,现实中这两者具有很强的相关性。此外,现实的网络数据具有海量性、稀疏性等特点。如何有效利用大量的未标记样本数据、获得更多的信息也是一个难题。最后,链接预测方法的研究已出现瓶颈,如何改进传统的链接预测方法并有效提高其准确率也面临着巨大的挑战。本课题首先对位置网络以及位置网络中的链接预测方法进行了总结和分析,提出目前该任务遇到的问题与挑战,为位置网络的链接预测方法研究指明方向;其次,本课题提出了一种采用位置信息的半监督链接预测方法。该方法针对位置网络的特点,抽取位置特征,并分析位置特性与社交特性的相关性。该方法还使用了机器学习中的半监督学习方法,有效利用了未标记数据。最后,本课题在基于地理位置信息的Gowalla网络中进行了仿真实验,将该方法与未采用位置特征的监督链接预测方法、采用位置特征的监督链接预测方法和未采用位置特征的半监督链接预测方法进行了比较,分析了位置形成和朋友关系形成之间的关系。实验结果证明,位置网络中的社交关系与签到位置具有强关联性,半监督学习的引入能较大提高链接预测的准确率,位置信息的加入也对链接预测有一定的帮助。这些研究成果为链接预测方法和基于位置的社会网络在推荐系统方面指引了新的方向。