1.一种基于贝叶斯估计和大度节点不利的链路预测方法，其特征在于：包括以下步骤：步骤一：建立网络模型G(V,E)，V代表网络中的节点集合，E代表网络中的连边集合，网络的节点总数记为N,用U表示网络中节点对的集合，|U|＝N(N-1)/2表示网络中节点对的总数；

步骤二：任意选取网络中的两个节点x和y作为种子节点，计算它们之间存在直接连边的可能性：其中，|E|表示网络中实际存在的连边总数，A1表示x和y两个节点之间存在直接连边；

步骤三：计算网络中任意两个节点x和y之间不存在直接连边的概率：其中，A0表示x和y两个节点之间不存在直接连边；

步骤四：根据节点x和y之间长度为2或者3的路径的一个中间节点Vw的度信息，计算节点x和y之间产生连边的概率：P(A1|Vw)＝Cw

其中，Cw＝2Ew/kw(kw-1),kw表示节点Vw的度数，Ew表示节点Vw的kw个邻居节点之间实际存在的边数；

步骤五：根据节点x和y之间长度为2或者3的路径的一个中间节点Vw的度信息，计算节点x和y之间不产生连边的概率：P(A0|Vw)＝1-Cw；

步骤六：根据贝叶斯估计的方法，计算节点x和y之间长度为2和3的路径的任意一个中间节点Vw的似然值步骤七：对节点x和y之间长度为2和3的路径的每一个中间节点，重复步骤四至步骤六，计算每一个中间节点的似然值步骤八：计算节点x和y的相似性分数：

其中Q表示节点x和y之间长度为2和3的所有路径中的所有中间节点的数量，kx表示节点x的度数，ky表示节点y的度数；

步骤九：遍历整个网络，对任意两个未连接节点，重复步骤二至步骤八，计算所有未连接节点对之间的相似性分数，并按照相似性分数值从高到低排列顺序，取前B个相似性分数值对应的节点对为预测连边，其中，B为设定的一个正整数，B≤D，D为网络中所有未连接节点对的数量。