1.一种基于误差重构的节点重要性评估方法，其特征在于，具体包括以下步骤：S1、以网络连接的稀疏矩阵作为输入，通过网络表示学习的Node2Vec算法计算网络节点特征表示矩阵X；S2、根据网络节点特征表示矩阵X构造多尺度网络；S3、对步骤S2中构造的不同尺度下的网络，根据重构误差模型计算各个尺度下网络节点的两种重构误差显著性，两种重构误差显著性为稀疏重构误差显著性与稠密重构误差显著性；S4、整合不同尺度下的两种重构误差显著性；S5、对两种重构误差显著性，根据加权融合算法，计算融合后的重构误差显著性并作为最终衡量节点显著性程度的指标；步骤S3具体包括：S31、提取各个尺度下网络节点中不重要的节点分别构为对应的背景模块B；S32、由稀疏重构和稠密重构两种模型对各个尺度下的网络进行重构，计算各个尺度下网络的两种重构误差显著性；S33、计算用于衡量相邻节点间传播影响的传播重构误差显著性。
2.根据权利要求1所述基于误差重构的节点重要性评估方法，其特征在于，步骤S1中，网络节点特征表示矩阵X的形式为：X＝[x 1 ,x 2 ,...,x N ],X∈R D×N式中，D是特征维数，N是网络中的节点个数。
3.根据权利要求1所述基于误差重构的节点重要性评估方法，其特征在于，步骤S2具体包括：S21、初始化网络的规模为N；S22、由Kmeans聚类算法对网络节点特征表示矩阵X进行0.95N、0.9N、0.85N、0.8N的四种尺度的聚类，计算每个网络节点所属模块区域；S23、统计每个模块区域中的网络节点，将网络中所属模块区域中网络节点特征表示的均值作为本模块区域的特征表示；S24、构造不同尺度下的网络特征矩阵。
4.根据权利要求1所述基于误差重构的节点重要性评估方法，其特征在于，步骤S31中，所述不重要的节点在网络结构中位于网络边缘的节点，使用Kshell分解法对网络进行分解，选取位于网络边缘的节点为背景节点并构成背景模块B。
5.根据权利要求1所述基于误差重构的节点重要性评估方法，其特征在于，步骤S32中，计算两种重构误差显著性具体包括：S321、构造稀疏重构模型，求取稀疏重构系数α与稀疏重构误差显著性ε s ：式中，x i 是节点i的特征表示，B是对应尺度网络背景节点构成的特征矩阵，α i 是节点i的稀疏重构系数，λ是L1正则化系数， 是节点i的稀疏重构误差显著性；S322、构造稠密重构模型，求取稠密重构系数β与稠密重构误差显著性ε d ：式中，x i 是节点i的特征表示， 是所有节点的均值特征，U B ＝[u 1 ,u 2 ,...,u D′ ]，u i 是第i个主成分，D'是提取的主成分个数，T表示矩阵的转置，β i 是节点i的稠密重构系数， 是节点i的稠密重构误差显著性。
6.根据权利要求1所述基于误差重构的节点重要性评估方法，其特征在于，步骤S33中，计算传播重构误差显著性具体包括：S331、通过K均值聚类算法对N个节点进行聚类；S332、通过其所属类中与其余节点的相似性构建相似性系数，对节点i进行误差修正；S333、对节点的重构误差进行加权估计。
7.根据权利要求6所述基于误差重构的节点重要性评估方法，其特征在于，步骤S332中：所述相似性系数定义为：式中，{k 1 ,k 2 ,...,k Nc }表示在聚类块k中的Nc个节点标签， 是指聚类块k中标签j的节点与节点i的相似性标准化权重， 是x的每个特征维数的方差和，δ(·)是指示函数，x i 是节点i的特征表示，k j 是聚类块k中的标签j的节点即节点i的周边邻接节点， 是聚类块k中标签j的节点的特征表示，δ(k j -i)是k j -i的指示函数；修正误差显著性为：式中，τ是权重参数， 是节点i的修正稀疏误差显著性或修正稠密误差显著性， 是聚类块k中的标签j的节点即节点i的周边邻接节点的稀疏误差显著性或稠密误差显著性，ε i 是节点i的稀疏误差显著性或稠密误差显著性。
8.根据权利要求7所述基于误差重构的节点重要性评估方法，其特征在于，步骤S4中，整合不同尺度下的重构误差显著性的表达式为：式中，z表示网络中节点，Ns表示多尺度分析的尺度个数， 表示尺度为s下包含节点z的模块的修正稀疏误差显著性或修正稠密误差显著性， 表示节点z和其所在模块的特征相似度，作为当前尺度下的权重； 的表达式为：式中，f z 表示节点z对应的节点特征， 表示节点z所属模块中节点特征的均值，σ s 2 是s的每个特征维数的方差和。
9.根据权利要求8所述基于误差重构的节点重要性评估方法，其特征在于，步骤S5中，所述加权融合的计算公式为：S(z)＝αE 1 (z)+(1-α)E 2 (z)式中，E 1 (z)是节点z的稀疏重构误差显著性，E 2 (z)是节点z的稠密重构误差显著性，α是加权融合系数，α∈R，0≤α≤1，S(z)为计算融合后的重构误差显著性即为衡量节点显著性程度的指标。
