链接预测是链接挖掘的一个分支，主要是基于对象的属性和其他观测到的链接，预测两个对象之间是否存在链接。链接预测算法，可以用于发现丢失的信息、预测未来将要发生的事件、评估网络的演化机制等。链接预测研究，对于许多当前社交网络中比较流行的应用有着重要的影响。例如：链接预测在预测社交网络的丢失信息上，扮演着重要角色。人工智能和数据挖掘领域的研究者认为，一个像公司那样的庞大组织，能从分析员工的非正式社交网络数据中获益。高效的链接预测算法，可以被用于分析像社交网络类的时变网络，并且获得具有一定可信度的结论。在具有多样结构、混杂和无规律的复杂网络中，传统的数据挖掘方法是无法应付的。如果，仅仅将基于独立同分布假设的传统的数据挖掘方法应用于这些数据集，挖掘出来的结论是不合适的。因此，在面临这类复杂的网络时，我们必须细心关注和利用那些潜在的链接关系以及对象之间动态变化的关系，挖掘的结果才是合适的。实际上，对象之间的链接关系也是一种知识，在进行数据挖掘时，我们应该充分利用这些知识。所以，在本文中，我提出了时变网络的动态演化模型来精确量化对象之间的关系，改进了传统的链接预测算法以适应于动态演化模型，并且结合马尔科夫逻辑网提出了一个新的链接预测算法。根据在Enron数据集上的实验结果，本文改进的链接预测算法和提出的新的链接预测算法均优于传统的链接预测算法。在本文中，我的主要研究内容包括如下三部分。①本文提出一种描述社交网络等时变网络的演化过程的动态演化模型。传统的时变网络的静态模型只是简单统计对象之间是否有事件发生，而没有精确描述对象之间的关系随时间的变化过程，但是时变网络的动态演化模型不仅包括了静态模型所表达的信息，还引入了对于对象之间的关系的变化有深刻影响的时间序列。②本文改进了一些传统的链接预测算法，以适应于时变网络的动态演化模型。经过改进的链接预测算法，对时变网络的链接预测准确率有明显地提高。③根据马尔科夫逻辑网模型的特性，本文提出了一种新的链接预测算法。由于每个传统的链接预测算法在不同性质的数据集上，链接预测结果相差很大，甚至不同的算法在一个模型中的预测结果是截然相反的，然而马尔科夫逻辑网模型可以很好地兼容不同的链接预测算法，甚至是互斥的算法，所以结合传统的链接预测算法和马尔科夫逻辑网模型，提出了一个新的链接预测算法。新的链接预测算法在时变网络中的效果明显优于传统的链接预测算法。