随着信息社会的发展,拥有海量数据的复杂网络不断出现,如何从这些网络中挖掘出有价值的信息是一个十分艰巨的任务。链接预测是数据挖掘领域的重要分支,也是社会网络分析的关键任务之一。链接预测研究如何利用网络中已有的信息预测可能存在或即将生成的链接,对于理解网络的结构和发现网络中隐藏的信息有着重要的理论与现实意义。近年来,链接预测已然成为数据挖掘领域的研究热点问题,被广泛应用于社会网络、生物网络和信息网络等多种现实网络当中。目前,国内外关于链接预测的研究主要是基于节点相似度的方法,因为该类方法具有较低的时间复杂度和良好的预测效果。随后,监督学习技术被应用于链接预测任务中,用于学习网络结构和链接形成之间的规律。然而,已有的方法存在一定的局限性,即仅仅考虑节点与邻居节点之间的局部关系,而忽略了节点与其他非邻居节点之间的全局关系。事实上,现实网络中普遍存在社团(Community)的结构,同一社团中的节点之间连接紧密而不同社团中的节点之间连接松散。社团对链接的形成有重要的影响,同一社团中的节点对一般更容易形成链接。因此,如何利用网络中的社团信息改进现有的链接预测算法是一个值得深入研究的问题。针对链接预测研究的问题与挑战,本文将社团信息用于链接预测,在基于监督学习的链接预测框架下,提出了一种采用社团信息改造样本特征的链接预测方法(CR-LiP)和一种采用社团信息扩充样本特征的链接预测方法(CE-LiP)。最后在ACF数据集与FaceBook数据集中进行了仿真实验,将CR-LiP、CE-LiP与相关方法进行了比较。实验结果表明,抽取网络中的社团信息扩充节点对的描述子,可以改进学习器的性能,提高链接预测方法的准确率。