有向网络链路预测方面，本文深入挖掘了有向节点的相似性特征，提出了基于共同兴趣的有向链路预测算法，采用了V1、Vra、Vsim等三种计算策略，较DCN、DAA、DRA等有向相似性指标而言，取得了更好的预测效果。本文还从有向网络的微观形成机制进行分析，提出了基于Potencial理论的有向链路预测算法，预测器预测效果显著提高。

加权网络链路预测方面，通过改良CN、AA、RA等基于节点局部信息相似性指标，本文提出了WCN、WAA、WRA等加权指标，预测精度有一定提升。本文探讨了如何利用弱连接效应，提高加权网络的预测精度。

本文的主要研究了有向网络[[[] Zhang Q M, Lü L, Wang W Q, et al. Potential theory for directed networks[J]. PloS one, 2013, 8(2): e55437.]][[[] Yu Y, Wang X. Link Prediction in Directed Network and Its Application in Microblog[J]. Mathematical Problems in Engineering, 2014, 2014.]][[[] Schall D. Link prediction in directed social networks[J]. Social Network Analysis and Mining, 2014, 4(1): 1-14.]]及加权网络[[[] Ahnert S E, Garlaschelli D, Fink T M A, et al. Ensemble approach to the analysis of weighted networks[J]. Physical Review E, 2007, 76(1): 016101.]]的链路预测问题，并提出了相应的链路预测算法，力求在链路预测的精度上有所进展。

在有向网络的研究中，本文提出了三种有向链路预测算法[[[] Zhou T, Lü L, Zhang Y C. Predicting missing links via local information[J]. The European Physical Journal B, 2009, 71(4): 623-630.]]。

本文首先改进了无向网络中的基于节点局部信息相似性[[[] Lü L, Zhou T. Link prediction in weighted networks: The role of weak ties[J]. EPL (Europhysics Letters), 2010, 89(1): 18001.]]的指标CN、AA、RA，得到了改进后的有向相似性指标DCN、DAA、DRA，并用线虫神经网络（C.elegans）和政治家合作网络（Political Blogs，PI）作为实验数据集，进行链路预测，希望预测精度能够有所提高。

深入分析了有向网络中节点的相似特性，并提出了基于共同兴趣的有向链路预测方法。为了控制不同类型的相似性节点对于链路预测的影响，本文用参数、、调整不同类型的相似性节点对于链路的权重影响程度，在计算权重的过程中，本文采用了V1、Vra、Vsim等三种计算策略。

为了进一步提高有向网络中的链路预测精度，本文切换思路，改从有向网络中链路微观形成规律出发，深入分析了有向网络中的同质机制、聚集机制和理论，结合三者提出了基于理论的链路预测方法。首先找到六种不同的含环子图[[[] Lichtenwalter R N, Lussier J T, Chawla N V. New perspectives and methods in link prediction[C]//Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2010: 243-252.]]，并利用它们产生了十二种不同类型的有向网络链路预测器，最终找到最优的链路预测器。

在加权网络的研究中，本文提出了一种新的链路预测方法[[[] Liu Z, Zhang Q M, Lü L, et al. Link prediction in complex networks: A local naïve Bayes model[J]. EPL (Europhysics Letters), 2011, 96(4): 48007.]]。

为了说明新的链路预测方法，具有较好的链路预测效果。本文将无权网络中的相似性指标CN、AA、RA等应用到加权网络[[[] Lü L, Zhou T. Link prediction in complex networks: A survey[J]. Physica A: Statistical Mechanics and its Applications, 2011, 390(6): 1150-1170.]]中，作为对照。考虑到加权网络和无权网络的相似性，本文对原有的CN、AA、RA等相似性指标进行改进，得到了新的加权指标WCN、WAA、WRA，并利用加权指标进行链路预测[[[] Lin Z, Yun X, Zhu Y. Link prediction using BenefitRanks in weighted networks[C]//Proceedings of the The 2012 IEEE/WIC/ACM International Joint Conferences on Web Intelligence and Intelligent Agent Technology-Volume 01. IEEE Computer Society, 2012: 423-430.]]。考虑到加权指标在不同网络中，稳定性不好，并研究了弱连接理论对不同网络的影响。

论文各章节的安排

本文剩余章节的安排如下：

第二章对有向网络中的链路预测方法进行介绍，提出了三种有向链路预测算法[[[] Newman M E J. Analysis of weighted networks[J]. Physical Review E, 2004, 70(5): 056131.]]，基于节点局部信息相似性的改进指标DCN、DAA、DRA，基于共同兴趣的链路预测算法，基于Potencial理论[[[] Zhang Z, Shan T, Chen G. Random walks on weighted networks[J]. Physical Review E, 2013, 87(1): 012112.]]的有向链路预测算法，并通过对比实验，指出每种算法的预测精度差异，以及它们之间的优缺点。

第三章对加权网络中的链路预测方法[[[] A topological measurement for weighted protein interaction network[C]//Computational Systems Bioinformatics Conference, 2005. Proceedings. 2005 IEEE. IEEE, 2005: 268-278.]]进行介绍，提出了两种链路预测算法，首先对基于节点局部信息相似性指标[[[] Murata T, Moriyasu S. Link prediction of social networks based on weighted proximity measures[C]//Web Intelligence, IEEE/WIC/ACM International Conference on. IEEE, 2007: 85-88.]]进行介绍，接着，在此基础之上，提出改进后的加权指标[[[] LÜ L, JIN C H, ZHOU T. Similarity index based on local paths for link prediction of complex networks[J]. Phys Rev E, 2009, 80: 046122.]]WCN、WAA、WRA。并通过对比实验，指出每种算法的预测精度差异，以及它们之间的优缺点。

第四章是全文的总结，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。