近年来,随着在线社会网络的不断发展和计算机系统处理能力的不断提高,社会网络分析和挖掘成为热门的研究领域。大部分对社会网络的研究集中在只有正链接的网络,本文研究对象为同时拥有正链接和负链接的符号社会网络。在符号社会网络中,正链接用来表达积极的含义,如朋友关系和信任关系;负链接用来表达消极的含义,如敌对关系和不信任关系。正负链接预测是符号社会网络分析的一个重要方向,具有许多现实的应用,如朋友关系推荐,用户态度推测。为了提高符号社会网络中正负链接预测的性能,提出了一种基于集成学习的方法。相比较于现有的基于监督式学习的方法,该方法从三个方面进行了改进。首先,在特征向量构造阶段,对已有的特征进行了扩展,构建了尽可能多的特征来提供更多有用的信息。其次,符号社会网络中的正负链接分布不平衡,正链接的数量远多于负链接的数量,为了解决分布不平衡对预测性能的影响,提出了基于k-means聚类的欠采样方法来处理不平衡问题。最后,不同于现有的基于监督式学习的方法采用单个分类器来预测链接符号,利用集成学习的优点,将集成学习和欠采样方法进行结合,通过组合多个分类器的结果来进行正负链接预测。为了对提出的方法进行有效性验证,在两个大的现实数据集上进行了实验。实验结果表明,在精确度、召回率、F1-measure、AUC(Area Under roc Curve)等评价指标上,性能均有提高。