Debido a los grandes avances en tecnología de la información, ha surgido un número creciente de plataformas sociales. La recomendación de amigos es una tarea importante en las redes sociales, pero las plataformas sociales recién construidas tienen información insuficiente para predecir las relaciones entre entidades. En este caso, las plataformas con suficiente información pueden ayudar a las plataformas recién construidas. Para abordar este desafío, en este trabajo se propone un modelo de predicción de enlaces en redes sociales multiplex (LPSMN). Específicamente, primero extraemos características de la estructura del grafo, características latentes y características explícitas para luego concatenar estas características como representaciones de enlaces. Luego, con la asistencia de información externa de una plataforma madura, se emplea un mecanismo de atención para construir un modelo de pronóstico multiplex y mejorado. Además, consideramos el problema de la predicción de enlaces como un problema de clasificación binaria. Este método utiliza tres tipos diferentes de características para mejorar el rendimiento de la predicción de enlaces. Finalmente, utilizamos cinco redes sintéticas con diversas distribuciones de grados y dos redes sociales multiplex del mundo real (Weibo-Douban y Facebook-Twitter) para construir un escenario experimental para una evaluación adicional. Los resultados numéricos indican que el modelo LPSMN propuesto mejora la precisión de la predicción en comparación con varios métodos de referencia. También encontramos que con la disminución de la heterogeneidad de la red, el rendimiento de LPSMN aumenta.