网络数据挖掘在通信网络,交通网络和社交网络在内的许多网络中具有众多应用。网络数据的激增不仅带来了新的机遇,也带来了新的挑战。与网络挖掘有关的许多研究问题中,链接预测具有根本的重要性。预测网络中节点间的关系的问题称为链接预测。链接预测旨在基于当前观察到的链接来预测网络中丢失或未来的链接关系,进而来推断网络链接的形成过程。在社交网络中,社会联系的建立不仅取决于个人的内在兴趣,而且还取决于其邻居节点在人际关系中的影响。不同的邻居节点的影响可能有所不同。但是,当前的链接预测方法却尚未分别考虑每个邻居的独立影响。此外,每个邻居节点的影响可能在不同的语义级别上起作用,这也没有被充分考虑。在本文中,设计了一种基于网络嵌入的链接预测方法,用于预测两个节点之间存在链接的可能性,并且考虑到了每个用户节点的多重邻居节点的多重语义影响。本文的主要工作和创新如下:（1）基于网络中节点行为数据以及节点间关系数据,本文针对每个用户节点在其邻居节点的语义影响下训练了一个联合嵌入向量。对每个邻居节点对该用户节点的特殊语义影响进行建模,而不是使用邻居节点恒定的影响分数。根据节点以及其邻居节点的文本信息对影响进行建模。最后,对于在当前网络中未连接的任何一对用户节点,通过计算其嵌入向量之间的相似性来预测用户节点对之间的缺失链接。（2）本文在网络嵌入训练中,模拟了存在好友关系的节点间的局部级和全局级语义影响。一方面,局部级语义影响以某些特定术语语义描绘了两个用户节点的交互。另一方面,全局级语义影响是指邻居节点的整体兴趣的语义影响。（3）在实验中,揭示了社会影响如何在社交网络中产生效果。在四个真实的网络数据集上的实验结果表明,所提链接预测方法优于基线算法。