随着互联网的发展,以及数据的爆炸式增长,人、计算机以及它们之间的关系构成了复杂系统。网络科学是研究和描述复杂系统的有效手段之一,利用网络可以对复杂系统的结构进行刻画,并且可以从复杂的数据中提取出有效的信息。利用观察到的网络结构信息,链路预测可以发掘网络节点之间的潜在关系,预测未发生连边的节点在未来发生连边的可能性,还可以识别网络中的虚假连边。在实际应用中,链路预测可以在社交网络中对用户之间的关系进行预测,在推荐系统中对用户进行合适的商品推荐,在生物网络中预测药物之间的组合关系等等。因此链路预测的研究具有重大的理论和应用意义。然而目前大部分链路预测算法仅针对于没有时间信息的单层网络,或者单一类型节点和连边的同质网络。但是,现实世界中的复杂系统是会随着时间而动态变化的,同时也由多种类型的节点和多种类型的连边构成。前者会随着时间动态变化的网络称为动态时序网络,而后者由多种类型节点和连边组成的网络称为异质信息网络。本论文研究基于非负矩阵分解的网络嵌入算法,在链路预测问题中的应用,基于网络嵌入的链路预测认为,两个节点的低维表示越接近,则两个节点之间越有可能发生连边。本论文针对目前链路预测研究中存在的问题,分别在动态网络和异质网络上进行链路预测算法的研究,构建能准确预测网络连边关系的模型。主要内容和创新点总结如下:（1）动态网络链路预测算法的设计:真实网络往往是随着时间而动态变化的,为了设计更有效的链路预测算法,我们需要在挖掘网络拓扑结构的同时,保留网络的动态变化信息。本文提出联合多标签学习、Deep Walk嵌入以及时序平滑正则化的动态网络链路预测模型。该模型的大致思想:首先利用等价于Deep Walk的矩阵分解算法提取网络的拓扑结构信息;然后,基于时序平滑思想以及多标签学习分类器来预测下一时间段的网络连边情况;最后通过联合学习,使得两个模块互相促进,相互影响。在大量以及不同规模的人工数据集以及真实世界数据集上进行了实验,并且实验研究表明,本文所提的动态网络链路预测算法的准确性要高于其他链路预测经典算法。同时还测试了算法的参数敏感性,验证了联合学习是使得该算法表现优越的主要原因。（2）异质网络链路预测算法的设计:复杂系统往往是具有异质性的,也就是说网络的节点和节点之间的关系是多类型的,那么在挖掘异质网络的信息时,不仅需要考虑网络的拓扑结构,还需要考虑类型不同所带来的重要性不同（这称为语义信息）。本文提出基于元路径的非负矩阵分解以及带核支持向量机分类器的异质网络链路预测模型,该模型通过联合学习来进一步提升算法精确度。模型的大致思想为:首先利用先验知识选择合适的元路径,根据不同的元路径构建相应的邻接矩阵;然后利用非负矩阵分解提取各语义子网络的拓扑结构信息,再将各子网络的拓扑信息聚合在一起,组成为最终的节点嵌入;通过带多项式核函数的支持向量机来进行链路预测;最后将以上所有过程联合在一起。本论文收集了目前最具权威的药物组合数据集,并将之构建为异质网络,在该药物组合预测问题的实验中,算法的组合预测准确性远高于其他药物组合预测算法,通过实验分析可以发现,算法的提升的主要来自于核函数的选择以及联合学习过程。