网络中的链路预测是根据网络中的原始结构预测没有观测到或可能出现的一些链接。链路预测可以对于各种网络进行应用，包括生物信息网、交通网、电力网、社交网络等。随着现在各种网络规模的扩大，对于网络中未知信息的需求越来越大，这就使得对于链路预测的有着越来越多的需求。　　 本文对传统的链路预测算法进行了分析并总结，归纳出这些算法中的一些优势及弊端。通过对信息推荐及链路预测相关算法的深入研究，本文提出了一种基于社会网络的研究思路，将链路预测对于各类网络的普适性进行区分，不同类型的网络拥有不同的特征，本文针对社会网络的特征进行了相关链路预测的研究。　　 针对社会网络的小世界特性以及无标度特性等，本文提出一种链路预测算法，该算法基于指数随机图模型(ERGM)进行实现。ERGM是一种基于社会学网络的统计建模，该模型很好的实现了针对社会网络的社会选择以及社会影响的统一，并将社会网络进行了抽象与建模，通过该模型可以很好的表达出社会网络中网络链接以及人物属性对于社会网络的影响，归纳人与人之间的联系关系。　　 本文在指数随机图模型的基础上构建了一个基于ERGM的链路预测系统，以微博为研究对象，利用ERGM将微博中人物之间的联系以及人物所具有的属性综合考虑，分析并总结出微博网络所使用的ERGM统计参数；此外，通过ERGM模型，将网络中可能出现的人物关系进行预测，向每个人推荐其潜在的朋友，同时预测网络未来的发展方向。　　 本文最后将基于ERGM的链路预测结果进行详细分析，并同其他方法进行了比较。可以看出由于社会网络分析方法的采用，将整个微博作为一个整体的网络加以考虑，并综合考虑其网络属性及社会属性，因此取得了较为理想的预测效果。