：在大数据时代，互联网社会网络和其他复杂网络中的链接预测问题研究成为热门领域。链接预测问题中，通常使使用相似性矩阵来表示网络中任意变量之间存在链接的可能性，因此相似性矩阵的计算是链接预测中至关重要的一步。是基于已知网络中数据的分析，通过网络潜在结构设计机器学习算法的构造相似性矩阵。在层次低秩的网络结构假设下，结合网络中节点特征的局部约束，提出了一种基于数据的链接预测优化算法，并针对复杂网络数据链接预测问题设计了可扩展的分治方法，并通过分布式环境中对大规模数据进行转化。通过在多个真实数据集上的实验

在大数据时代，互联网社会网络和其他复杂网络中的链接预测问题研究成为热门领域。链接预测相关的方法已被广泛地应用于社会网络关系挖掘、个性化推荐和生物制药等领域。在链接预测问题中，通常使用相似性矩阵来表示网络中任意节点之间存在链接的可能性，因此相似性矩阵的计算是链接预测中至关重要的一步。近年来的研究中，大多数方法是基于已知网络中数据的分析，通过网络潜在结构设计机器学习算法构造相似性矩阵。在全局低秩的网络结构假设下，结合网络中节点特征的局部约束，提出了一种基于数据的链接预测优化算法，并针对复杂网络数据链