随着互联网的迅猛发展,现实世界网络的结构愈加复杂。在对复杂网络的众多研究中,链路预测研究成为挖掘网络结构和演进机制的关键性工具,在众多学科中应用广泛。作为一个长期存在的实用科学问题,链路预测研究帮助我们从理论上深入理解复杂网络演化的机制,并且在识别丢失和虚假链路方面有着重要应用。在过去二十年里,网络科学成为理解诸多真实世界网络系统结构的新架构。链路预测作为分析网络结构的重要研究分支,吸引了各领域众多的研究者。不同领域学者通过将各学科技术应用于链路预测研究来提升预测模型的整体预测精确性。本文致力于进一步挖掘网络结构特点,提出了三种链路预测模型。本文主要创新点和工作如下:(1)提出了基于非均衡合作效应的链路预测模型。传统基于网络结构的链路预测模型大都没有考虑端点关系的异构性,使得这些模型无法有效应用于各类网络。本文挖掘网络中存在的非均衡合作关系,分析此效应对于节点间潜在连边形成的影响。通过引入度异构性指数H,在不同网络中对大度节点进行惩罚,提出了基于非均衡合作关系的链路预测模型。本研究在十二个公开真实网络数据集上进行了大量验证,结果表明,基于非均衡合作效应的链路预测模型能自适应于各种异构网络,有效提升了链路预测的综合性能。(2)提出了基于节点中心度的链路预测模型。已有的链路预测模型多数使用节点度作为节点影响力的量化指标,但节点度利用的网络信息有限,对于节点影响力的衡量不够准确,从而影响了这些链路预测模型的预测精度。本文引入紧密中心度和介数中心度来量化节点重要性,并提出了基于节点中心度的链路预测模型。所提模型权衡了量化准确度和计算复杂度。经过六个真实网络数据集上的反复验证,结果表明,基于节点中心度的链路预测模型有效地提升了预测准确性。(3)提出了基于路径传递性的链路预测模型。现有基于路径的链路预测模型大多是简单考虑两端点间的路径数,很少对路径结构进行分析。不同结构的等长路径对于两端节点的相似性传递能力存在不可忽视的差异。基于此本文提出了基于路径传递性的链路预测模型。此模型认为长度短且过渡节点为小影响力节点的路径具有更强的端点相似性传递能力,并根据不同的网络结构研究路径异构性。通过在六个网络数据集上仿真实验,验证了所提模型有效地提升了预测准确性。