当前计算机网络发展迅速,使得复杂网络成为研究者们关注的重点。复杂网络的研究对于人们理解自然界和人类社会有重要意义,对于提高人们的生活品质有重要的价值。复杂网络的一个重大的研究方向是链接预测,链接预测既能发现已经存在但至今未被发现的链接,也能够预测将来可能产生的链接。已有的链接预测算法通常是计算两个节点之间的相似度指标,通过此指标来预测产生链接的可能性。在网络中要获取节点本身的属性信息是很困难的,并且节点本身属性信息的真实性难以证明,故已有的链接预测算法大多考虑的是被预测节点对的邻居节点的特征或者是网络的拓扑结构,通过邻居节点来计算节点对的相似性。研究者们在对复杂网络的多年的摸索中,发现比起其他的网络,加权有向网络对于真实网络的体现更完整。当下,对于加权有向网络的研究工作尚不多见,而本文正是对传统链接预测算法的相似度指标进行改进使之更加适应加权有向网络。传统的算法在对复杂网络的链接预测中往往只是关心网络的拓扑结构,对于节点间的交互频度的影响并不考虑,而交互行为是人类社会中最重要的一种行为模式,许多网络是由人类社会交互产生的,如:电子邮件网络、社交媒体网络等。鉴于以上情况,本文提出从被预测节点对的交互频度出发,对已有链接预测算法的相似度指标进行改进,使之在加权有向的社会网络中有相对之前的算法有更好的预测准确度与更好的效率。本文的研究工作主要从三个方面展开:第一,本文对三类经典的链接预测算法的相似度指标做出详尽的阐述和分析,同时对比了其中部分算法的共同点与区别。第二,许多已有的链接预测算法在加权有向图中,计算节点对相似度的结果与生活中人与人交往的实际情况不符合,本文以此提出了将图中节点对间链接的权值用交互频度来代替,然后计算节点对的相似度。根据这种交互频度,本文提出了交互度的概念。本文基于交互度给出了六种经典链接预测算法的相似度指标公式。第三,为了检测这种改进的效果,本文用两个真实的网络对改进前后的六种算法进行评估。根据实验结果,本文发现在Bernard&Killworth网络与电子邮件网络中,这种改进对于链接预测的精度以及算法效率都有较好的提升。