现实世界中,存在很多复杂网络,如社会网络、信息网络和生物网络等。这些复杂网络中的节点或实体用于表示个人、计算机、生物元素等,节点之间的链接用于表示节点之间的某种关系或相互作用。分析网络中的个体的行为或者关系是复杂网络研究中的一个重要的研究内容。然而,由于观测者在时间、数据采集等方面的限制,对网络的观测通常是不完整的,观测得到的复杂网络存在链接丢失等情况。链路预测是通过网络的拓扑结构信息、节点的属性、观察到的链接等信息,寻找丢失的链接以及预测未来可能出现的链接。链路预测在许多不同领域都有广泛的应用。例如,在社交网站给用户推荐可能存在的朋友;在科学网络中帮助预测哪些研究人员在将来可能存在合作关系;寻找网络中被删除的数据或记录等等。因此,本文重点研究了链路预测技术,主要的研究内容如下:本文首先研究了针对同构拓扑复杂网络的链路预测技术。网络嵌入(NE)可以有效减少数据维度,提高复杂网络链路预测的运行效率。现有的网络嵌入研究主要利用网络的结构信息进行编码,嵌入特征比较单一;虽然,也有部分算法加入了文本内容,然而这些方法是基于文本内容的单个节点嵌入,没有考虑不同节点之间的连接关系,不能表述与不同邻居节点相连接时的不同语义关系。因此,本文提出了一个基于网络结构和文本信息的协同嵌入模型(NSTI),算法不仅学习基于网络结构信息的节点嵌入,而且同时学习节点与不同邻居节点之间的交互信息。算法不是对单个节点的词进行学习,而是将这对节点的词嵌入序列之间的交互信息进行计算,用于表述了节点与不同的邻居节点相连接时的不同语义关系。在真实的数据集上对链路预测的实验表明,提出的模型和算法在AUC值上比现有的算法Deep Walk,LINE,Node2vec,TADW和CENE均有2%-15%的改进,证明了该模型可以有效提高链路预测准确度。在现实世界中,大多数系统都是异质信息网络,往往存在着多种类型的节点以及节点间多种类型的关系。我们随之研究了异质信息网络上的链路预测技术。异质信息网络中节点间的关系比同构信息网络更为复杂,通常需要通过元路径来处理异质信息网络中的节点及节点间的复杂关系。但是,仅基于元路径学习的嵌入并不能够充分表示异质信息网络中节点间的相互信息。因此,我们计算网络中节点对之间的属性特征相似度,用以提高链路预测实验的精确度。同时,针对不同的语义信息,我们提出不同元路径的融合函数,提高节点的嵌入向量的精确度。基于以上研究,本文针对异质信息网络,提出了基于节点相似性和元路径的网络嵌入模型(NSMF)。通过在真实的两个异质信息网络数据集上的实验结果分析,本文提出的NSMF模型算法在AUC值上比针对同构信息网络的算法Deep Walk、Node2vec和LINE提高了约30%-40%;而对于异质信息网络的几个算法Hin2vec、Metapath2vec和PTE,NSMF模型算法的AUC值比它们提高了约2%-10%。实验结果证明了该模型在链路预测实验上的有效性。