链路预测是基于目前已存在的连边预测未来存在连边的可能性,可以部分解决复杂网络中缺失信息的还原和预测这一重要问题,已成为复杂网络研究的热点之一。传统的基于马尔可夫链或机器学习的预测技术主要考虑节点本身的属性,预测精度较高,但在实际中囿于参数的约束难以应用;基于网络结构的最大似然估计方法的计算复杂度较高,难于应对大规模网络。此外,既有链路预测主要针对无向无权网络展开研究,对无向有权、有向无权及有向有权网络的研究较少。基于此,本文选择银行交易网络为研究对象,基于链路预测的理论和技术,引入学习模型,综合考虑网络的结构属性与演变趋势,设计并实现了自适应的链路预测算法。论文的主要工作如下:第一、研究总结了复杂网络和链路预测的基本概念及研究现状,重点对比分析了现有的经典链路预测技术与评价指标。第二、在分析交易网络数据集属性的基础上构建无向有权客户交易网络,研究并量化分析了不同时间段交易网络的度分布、聚集系数、平均路径长度等网络拓扑结构特征,验证了客户交易网络具备复杂网络的特性。第三、考虑到交易网络的动态变化特性,设计并实现了一种适用于交易网络的预测算法。通过节点权重的变化,动态调节权值,使得其满足网络的动态增长特性。根据得到的训练集的结果,对网络进行预测。此后,结合网络中节点连接的强弱性与节点重要性,对算法进行了改进。第四、基于标准数据集和实际数据集实验对比分析表明,本文算法的预测精度,相比随机算法和已有的经典算法有所提高。