随着社交网络规模的不断扩大,网络中蕴含的信息也呈爆炸式地增长,如何高效地从中挖掘出有价值的信息吸引了很多研究者进行相关研究。链接预测根据网络当前的结构与历史结构来预测未来可能形成的新链接,可以挖掘网络的隐藏信息,促进网络结构的演进。目前,链接预测在商品推荐、社会安全、生物医学等领域有着广泛的应用。随着链接预测研究的不断深入,预测精度在逐渐提升,但研究者却很少关注新链接的有用性,尤其是在信息传播方面的作用。受弱关系理论的启发,本文基于社团结构(重叠或不重叠)定义了网络中一种特殊类型的链接——桥链接(bridge links)。在社会学中,桥链接通常被认为是一种弱关系,更有助于信息的传播。本文还定义了基于平均最短路径距离的链接效用函数,验证桥链接在信息传播中的效用。此外,考虑到大多链接预测方法对强链接的预测精度较高而对弱链接的预测精度不高,本文还提出了一种桥链接预测方法iBridge,在PU(positive and unlabeled)学习框架中根据有偏的度量指标来预测新的桥链接。本文在3个真实的在线社交网络数据集上进行了实验,结果表明,iBridge在对桥链接的预测效果优于几种对比方法(基于监督学习或PU学习的链接预测方法)。同时,iBridge对一般链接的预测性能也未降低,从而验证了iBridge方法的鲁棒性。此外,本文还基于网络表示学习定义了另一种类型的弱关系NECLink。由于网络表示学习可以学得节点的低维空间向量表示,因此可以先计算出节点之间的空间距离,据此衡量关系的强弱。本文根据空间向量对节点进行聚类,将簇间距离较远的链接定义为NECLink。本文在3个真实的社交网络数据集上验证了NECLink对于信息传播的作用。实验结果表明,NECLink的信息传播效用优于一般链接,并在大多数情况下优于桥链接。此外,实验还比较了多种网络表示学习方法下得到NECLink的效用,验证了NECLink抽取方法的稳定性。