互联网蓬勃发展使大数据出现爆炸式增长,导致数据规模大、价值密度低,对有效可靠的数据挖掘技术产生了巨大的需求。链接预测是探索实体之间存在关系的可能性,已成为数据挖掘的核心任务,引起广泛重视。链接预测研究促进了对网络演化的认知。但是,现有的链接预测模型难以对复杂网络结构进行有效建模,由于网络的稀疏性,数值价值密度较低,噪声对网络结构干扰较大,导致预测准确性较低。特别是包含丰富语义信息的异质网络,无法充分利用多样的结构类型,从而造成关键信息的缺失或错失。基于上述原因,本文提出了基于子空间聚类的链接预测方法,具体内容如下:（1）针对同构图提出了基于子空间聚类的链接预测方法。首先提出了基于低通滤波的子空间聚类方法。现有图网络中存在高频的噪声信号、会降低聚类的准确率。低通滤波模型可以有效过滤网络中的高频噪声,留下低频真实的特征信号。同时考虑高阶邻居对节点的影响,学习后的网络结构有助于下游的聚类任务以及链接预测任务。其次,基于子空间聚类提供的聚类信息和节点的共同邻居进行链接预测。最后,与传统的基于共同邻居的局部相似性方法相比,效果得到了提升。（2）针对异构图提出了基于子空间聚类的链接预测方法。为利用异质信息网络中包含的丰富的语义信息,首先设计了基于元路径的相似度度量模块,通过学习不同种类元路径的权重,构造具有自表达性的相似度矩阵,完成聚类任务。其次对异构图进行“去异”,把异构图退化为同构图,结合共同邻居和聚类系数进行链接预测任务,实现对异构网络中节点之间关系的预测。最后,与典型的异构图嵌入方法相比,效果得到了提升。（3）开发基于学术网络的学者合作链接预测系统。算法应用落地,结合实际场景需求,设计并开发了基于子空间聚类的链接预测方法开发学术网络场景下学者合作链接预测推荐系统,实现学术信息查询、学者合作关系预测以及学术网络可视化等功能。在未来,学术网络学者合作系统还可以为实现学者人物画像和学者关联关系分析提供有效思路。