Los métodos actuales para la predicción de enlaces faltantes en redes sociales se centran en utilizar datos de usuarios superpuestos de dos fuentes de redes sociales para recomendar enlaces entre usuarios no conectados. Para mejorar la predicción del enlace faltante, este artículo presenta el uso de información de usuarios no superpuestos como características adicionales en el entrenamiento de un modelo de predicción utilizando un enfoque de aprendizaje automático. Las características propuestas están diseñadas para usarse junto con las características comunes como características adicionales para ayudar a ajustar un mejor modelo de clasificación. Las fuentes de datos de redes sociales utilizadas en este artículo son Twitter y Facebook, donde Twitter es el principal dato para la predicción y Facebook es un dato de apoyo. Para las evaluaciones, se estudia una comparación utilizando diferentes técnicas de aprendizaje automático, configuraciones de características y diferentes niveles de densidad de red de la fuente de datos. Los resultados experimentales pueden concluir que el modelo de predicción que utiliza una combinación de las características propuestas y las características comunes con la técnica de Random Forest obtuvo la mejor eficiencia utilizando el porcentaje de recuperación de enlaces faltantes y la puntuación F1. El modelo de características combinadas produce un porcentaje más alto de recuperación de enlaces, con un promedio del 23.25%, y la medida F1 con un promedio del 19.80% en comparación con la línea base de múltiples fuentes de redes sociales.