本文提出了三类链路预测算法：从社团信息层面，结合贝叶斯理论，利用FBM快速分块法进行社团检测，提出了FBM指标；从节点信息层面，挖掘共同邻居间相互作用，提出了基于CAR理论的相似性指标；把社团信息和节点信息相结合，对CN和RA加以改进，利用基于点集划分社团的Infomap算法和基于边集划分社团的Link communities算法，得到预测效果最优的四种相似性指标。

最后，对上述算法做出改进：在FBM快速分块法中，利用k-means算法代替原有的随机分块法；借鉴Laplace smooth思想，弥补原有CAR理论中的缺陷。

本文致力于复杂网络中社团结构与链路预测方面的研究。

本文提出了三类链路预测算法：从社团信息层面，结合贝叶斯理论，利用FBM快速分块法进行社团检测，提出了FBM指标；从节点信息层面，挖掘共同邻居间相互作用，提出了五种基于CAR理论的相似性指标CAR、CPA、CAA、CRA、CJC；把社团信息和节点信息相结合，对CN指标加以改进，并利用基于点集划分社团的Infomap算法，得到改进后的CN1、CNEdge1指标，对RA指标加以改进，并利用基于边集划分社团的Link communities算法，得到改进后的RA1、RAEdge1指标。

最后，本文提出对上述指标的改进：在FBM快速分块法中，利用k-means算法代替原有的随机分块法；在基于CAR理论的指标中，借鉴了Laplace smooth的思想，修正了原有CAR理论中的缺陷。

把社团结构的因素考虑在内，本文对链路预测研究上做出了有效的探索。相比较基于节点局部信息相似性指标，预测效果均有明显提高。

论文各章节的安排

本章剩余章节安排如下：

第二章主要基于贝叶斯理论的链路预测以及链路预测算法FBM。

第三章主要对CAR理论和基于CAR理论的五种指标CAR、CPA、CAA、CRA、CJC进行描述。

第四章在CN和RA指标基础之上，提出了四种改进后的指标CN1、CNEdge1、RA1、RAEdge1。

第五章是实验的实现与分析，在实验分析中提出对FBM指标以及对基于CAR思想的指标的改进，并取得较好的改进效果。

第六章是全文的总结，综述实验结论，论述了研究实验中的不足并展望今后的工作。

本文介绍了三种社团检测算法： FBM快速分块法最为简单，易于实现，但在大数据中执行效率较慢；基于点集划分的Infomap算法，在处理大规模数据性能优越，执行效率也较快；基于边集划分的Link communities算法，可检测重叠社团，但在边集过大时由于算法性能问题，无法划分社团。然后提出了三类链路预测指标： FBM指标，基于CAR思想的五个相似性指标CAR、CPA、CAA、CRA、CJC； 基于CN和RA的改进指标CN1、CNEdge1、RA1、RAEdge1。在使用FBM指标时，应谨慎选取threhold值，以使算法达到最优。

最后对上述算法做出改进：在FBM快速分块法中，利用k-means算法代替原有的随机分块法；在基于CAR理论的研究中，借鉴Laplace smooth思想，弥补原有CAR理论中的缺陷。最后对改进后的方法进行实验，取得较好的改进效果。