二分网络的链路预测能够有效地识别不同类型节点之间的潜在关系，有助于揭示网络的结构演化规律，在恐怖组织识别和推荐系统领域得到了广泛关注。目前二分网络链路预测方法通常假设网络具有单一的生成机制，忽略了不同节点之间产生链接的复杂性与多样性，不能有效地解释网络形成机制，从而降低了链路预测的性能。本文针对二分网络链接生成机制的不确定性问题，从多尺度特征的视角研究了二分网络的链路预测问题。其关键内容和创新点如下：
　　第一，低维映射过程中二分网络难以保持局部性质，针对此问题，本文融合二分网络两类节点的局部相似性机制和低秩分解机制，提出了基于相似性正则的隐特征模型(SRNMF)。在微观层面上通过构建相似性矩阵来编码节点空间的几何信息，并将其以相似性正则的形式融入到隐特征模型中，SRNMF有效地融合网络的宏观结构和微观信息。该模型在17种对比方法中整体表现最好、也最稳定。
　　第二，现有的隐特征模型无法捕获二分网络链接形成的非线性特征，本文提出了融合核函数机制的二分网络链路预测模型。该模型利用核函数把二分网络映射到高维希尔伯特空间，提取出网络中的非线性特征。转化后的核矩阵可视为介观层面上的块结构信息。考虑到单一核函数非线性特征捕获能力的局限性，本文进一步提出了基于核函数选择的链路预测模型，有效地提升了二分网络链路预测的效果。
　　第三，针对二分网络链接形成机制的多样性和复杂性，本文在不假设网络生成机制的前提下，在宏观层面上提出了基于二分网络结构扰动的链路预测模型。通过把量子力学中结构扰动理论扩展到二分网络中，探索了二分网络的形成机制，提升了链接预测性能，并且可以用于网络的演化预测分析。
　　本文关注于二分网络链接生成机制的不确定性问题，提出的模型显著地提升了链接预测的准确性，开启了多尺度特征下研究链路预测的新篇章。