复杂网络中的链路预测是指如何通过已知的网络节点及网络结构等信息,预测网络中尚未产生连边的两个节点之间产生链接的可能性,这种预测包含了两方面:一是预测网络中未被发现的链接(exist yet unknown links);二是预测网络中未来可能存在的链接(future links)。现有链路预测算法研究过程中,为了测试和比较算法的性能,研究者们通过将已知数据集划分为训练集(observednetwork)和测试集(feature network)两部分,通过训练集训练模型,利用测试集对模型进行评价。在过去的十几年间,大部分相关研究都默认了一个假设:训练集网络是完全正确的。这样就忽视了一个客观实际:在实际数据收集的过程中,由于人为因素或一些随机因素的干扰,我们收集到的数据并不能保证是完全正确的,甚至会包含大量的噪声。例如,在生物网络中,由于实验的限制,我们只能通过实验推断网络的结构;或者在社交网络信息的收集中,由于人们的一些无意识行为或者收集手段的限制,得到的网络结构中总会掺杂一些虚假连边或者丢失部分连边信息。因此,在应用链路预测方法解决实际问题时,通常是处于复杂的噪声环境中。本文设计了三种实际噪声的模拟方法,详细阐述了网络中的噪声对链路预测算法预测准确性的影响。然后,通过考察算法在实际网络中的表现,从多个角度逐步分析链路预测算法的鲁棒性问题。通过分析,我们发现很多算法虽然拥有很高的预测效果,但是对于噪声的抵御能力很低,而这种算法在充满噪声的实际环境中的应用价值就远远低于哪些对噪声抵抗能力强的算法。同时我们研究了推荐算法在符号二分网络上的表现,并设计了一种新的推荐算法评价指标。在评价推荐算法时,许多研究工作注重于评价算法预测打分的准确度,常用的算法准确度评价指标有:AUC、Precision、Recall、AUPR、MAE、RMSE 等。由于评价目的不同,还有一些工作研究了准确度之外影响用户满意度的指标,这些指标包括:覆盖率、产品流行性、推荐列表多样性等。以上形形色色的评价指标虽然从各个方向对算法做出评价,但是,这些评价方法中忽略了每一个推荐结果对于被推荐人的价值。对于用户-物品构成的符号二分网络,连边的符号信息是网络的一个重要组成部分,而前人提出的评价方法都忽视了这一点。在本工作中,我们研究了推荐结果中不同符号的连边的分布情况,发现有的算法的推荐结果中偏向于推荐负向的信息给用户,这样的算法在实际中会严重降低用户对推荐系统的观感。然后,我们设计了一种考虑连边符号信息的推荐算法评价指标,并分析了 4种常见推荐算法的表现。