许多链接数据在实体的类型信息上并不完整,类型缺失问题为许多语义挖掘任务带来了挑战。传统的类型推断方法可以通过逻辑公理来推理未知类型实体的类型,但是这种方法对于存在噪声的数据可能会失效。而近些年来基于数据驱动型的类型预测方法所取得的预测结果表明,此类方法在一定程度上屏蔽了不同领域的链接数据可能包含的数据质量问题,并且实现了实体类型的自动化补全工作。然而,现有的基于数据驱动型的实体类型预测方法的预测效果仍有待进一步提高。因此有效的基于数据驱动型的实体类型预测问题依然有待研究。本文基于广泛使用的协同分类算法ICA(Iterative Classification Algorithmn),利用通过抽取多类对实体类型预测具有不同指示性的链接信息构建的实体类型向量进行实体类型预测。在这个过程中,针对原ICA应用于大型链接数据集时存在的时间效率问题以及进行实体类型预测时存在的实体类型预测结果正确率方面的问题,本文分别提出了通过设置实体类型向量更新条件的方法和通过利用更丰富的链接信息构建对实体类型预测结果具有更强积极影响的实体类型向量进行实体类型预测的方法。其中,区别于原ICA构建实体类型向量所使用的链接信息,本文利用来构建实体类型向量的信息共包括三类,分别是数据属性信息,邻居实体类型信息和对象属性信息。最终在多个真实的链接数据集上的实验表明,本文基于ICA的实体类型预测方法在寻找缺失类型方面非常有效,同时为充分利用链接数据实体层中的相关信息进行实体类型预测提供了新的思路和方法,对基于链接数据的实体类型自动补全工作具有一定的参考价值。