El análisis de redes sociales ha atraído mucha atención durante las últimas dos décadas. Estas redes son dinámicas: nuevos enlaces aparecen y desaparecen. La predicción de enlaces es el problema de inferir enlaces que aparecerán en el futuro a partir del estado actual de la red. Utilizamos información de nodos y aristas y calculamos la similitud entre usuarios. Cuanto más similares sean los usuarios, mayor será la probabilidad de que se conecten en el futuro. Las métricas de similitud juegan un papel importante en el campo de la predicción de enlaces. Debido a su simplicidad y flexibilidad, muchos autores han propuesto varias métricas como Jaccard, AA y Katz, y las han evaluado utilizando el área bajo la curva (AUC). En este artículo, proponemos un nuevo método parametrizado para mejorar el valor de AUC de las métricas de predicción de enlaces combinándolas con los recursos medios recibidos (MRRs). Los experimentos muestran que el método propuesto mejora el rendimiento de las métricas de vanguardia. Además, utilizamos algoritmos de aprendizaje automático para clasificar enlaces y confirmar la eficiencia de la combinación propuesta.