链接预测是根据网络中已知的结构,对其中缺失的链接进行预测。链接预测作为网络数据分析的重要研究内容,在探究网络演化规律、数据补齐等方面有重要的研究意义,在推荐系统、生物信息和科研合作等领域也有重要的应用价值。从监督学习的角度,链接预测可看做二分类问题。其中,以节点对为样本,存在链接的节点对为正例,不存在链接的节点对为负例,通过构造链接预测分类器解决链接预测问题。由于网络的大规模性和不确定性,其中大量观察不到链接的节点对更应该看做无标记样本,因此,如何从大量无标记样本中选择可靠负例成为构造链接预测分类器的难点。同时,传统的分类模型均建立在样本与总体是独立同分布的假设之上,而网络中的样本并不满足这一假设。本文研究内容将网络中可观察到链接的节点对作为正例,观察不到链接的节点对作为无标记样本,研究仅有正例和无标记样本的链接预测问题(基于正例和无标记样本的学习简称为PU学习)。本文旨在解决基于正例和无标记样本的链接预测中缺乏负例、网络中的样本与总体不满足独立同分布假设的问题。主要研究成果如下:首先,本文提出了基于PU学习的链接预测方法。该方法利用网络的社区结构信息和集成方法,主要解决如何从大量无标记样本中选择可靠负例以构造链接预测分类器的问题。通过在真实数据集上与已有选择可靠负例的方法比较,实验表明该方法选择的可靠负例能够构造出预测效果更好的链接预测分类器。其次,本文提出了基于PU学习和随机游走的链接预测方法。基于PU学习的链接预测方法所构造的链接预测分类器都是建立在样本与总体满足独立同分布的假设之上,而网络中的样本并不满足。针对上述问题,本文利用链接预测分类器以及网络的社区结构信息对叠加的随机游走指标进行改进,提出一种新的链接预测方法。实验表明,从整体的预测结果看来,该方法能够进一步提升链接预测的精度。综上,本文针对基于正例和无标记样本的链接预测中存在问题,提出了相应的解决办法,提高了链接预测的精度,为基于正例和无标记样本的链接预测问题提供了新的解决方法和思路。