链接预测是一个具有挑战性的新型研究方向。随着Internet的快速发展以及电子应用的迅速普及,产生了越来越多的基于互联网的大规模的在线社会网络数据,这些数据便于收集并且从不同方面反映了人们在网上的连接关系。本文以具体的在线社会网络为研究对象来进行链接预测。根据网络的特点以及用户在网络中的主要活动,将网络中实体之间的相互作用视为事务活动,基于实体之间的事务信息进行链接强度预测。本文具体的研究内容可分为以下几方面。首先,由于在线社会网络中实体之间的链接经常重复发生,因此先根据网络的主要功能构造不同的网络图,再利用实体之间的事务信息以及属性信息提取合适的特征,进一步采用图相似度方法和有监督学习算法来进行链接预测,从而提高链接预测的准确性。其次,在线社会网络一个显著的特征是网络模式会随着时间的变化而改变。为了更好地进行链接预测,在分析具体在线网络结构的基础上,提出了基于在线社会网络的链接预测框架,该框架先使用衰减核函数提取网络的时序特征,再使用扩展的关系贝叶斯分类器进行链接预测,进而提高链接预测的性能。最后,本文对所提出的算法分别进行了实验验证以及实验结果分析。实验结果表明,所提出的算法具有比较高的准确率,能够实现预期的研究目标。