A medida que se acerca la era de los grandes datos clínicos, la predicción de si los fármacos pueden utilizarse en combinación en la práctica clínica es un problema fundamental en el análisis de datos médicos. En comparación con el cribado de alto rendimiento, es más rentable tratar este problema como un problema de predicción de enlace y predecir mediante algoritmos. Inspirándose en la regla de la medicación clínica combinada, se propone un nuevo modelo computacional. La combinación fármaco-fármaco se predijo combinando el número de subgrafos completos adyacentes compartidos por los dos puntos con el algoritmo de paseo aleatorio de reinicio. El modelo se basa en el algoritmo de paseo aleatorio semisupervisado, y el mismo vecindario se utiliza para mejorar el paseo aleatorio con reinicio (CN-RWR). El algoritmo puede mejorar eficazmente el rendimiento de la predicción y asignar una puntuación a cualquier combinación de fármacos. Para comparar de forma equitativa el rendimiento predictivo del modelo mejorado con el del modelo de paseo aleatorio con reinicio (RWR), se realizó una validación cruzada de los dos modelos con los mismos datos de fármacos. El AUROC de CN-RWR y RWR en el marco de validación LOOCV es de 0,9741 y 0,9586, respectivamente, y los resultados del modelo mejorado son más fiables. Además, las 3 mejores combinaciones predictivas de fármacos han sido aprobadas por el público. Se espera que este nuevo modelo pueda ampliarse para predecir el uso de combinaciones de fármacos para otras enfermedades con el fin de encontrar combinaciones de fármacos con beneficios clínicos potenciales.