链路预测(Link Prediction)问题是数据挖掘领域的研究方向之一,因其有重要的理论研究意义和广泛的应用价值而受到各个领域的关注。链路预测指如何根据已知网络的节点属性和网络拓扑等信息,预测网络节点对之间缺失的连边和未来可能产生的连边。近年来,随着复杂网络理论体系的不断发展,基于网络结构的链路预测算法渐渐成为研究焦点。本文的主要内容如下:首先,介绍了复杂网络的基础知识,包括简单网络、加权网络和多层网络的统计特征和演化模型;其次,介绍了链路预测问题的研究背景、研究现状以及现有的典型链路预测算法的核心思想;然后,介绍了信息熵的基本概念和性质,推导出复杂网络路径熵的表达式,并将路径熵用于节点相似性的度量,提出了一种基于网络局部拓扑结构的路径熵(Path Entropy,PE)相似性指标。实验结果表明,该指标比经典的准局部和局部指标有更好的预测性能;接着,将路径熵和路径的权重结合,提出了一种适用于加权网络的链路预测指标,即加权路径熵指标(Weighted Path Entropy index,WPE)。实验结果表明,该指标比现有的加权指标有更好的预测性能。进一步考虑到现实复杂网络中连边类型的异质性和网络结构的层次性,结合路径熵的概念,提出了一种适用于多层复杂网络的链路预测方案;最后,针对大规模复杂网络链路预测的难点,提出了基于共同邻居下界的并行计算预测模型,着重分析和预测网络"热点区域"中的连边。同时,提出了自预测性指标以度量链路预测算法的性能和评估网络的可预测性。