1.一种基于元路径的武器装备体系异质信息网络链路预测方法，其特征在于，包括：对于给定的武器装备体系异质信息网络G＝(V,E)，其中V为武器装备体系异质信息网络G中的所有节点组成集合，即武器装备体系异质信息网络G的点集，武器装备体系由多种不同类别装备组成，装备按照不同作战能力划分为侦察类装备实体，决策类装备实体，打击类装备实体，这三类装备实体分别对应武器装备体系异质信息网络中的侦察节点S、决策节点D及打击节点I，不同类型的装备实体相互配合相互作用共同完成作战任务；E为武器装备体系异质信息网络G中可观测到的存在连接关系的节点对的集合，E＝E S→S ∪E S→D ∪E D→D ∪E D →S ∪E D→I ∪E I→S ，其中包括侦察情报共享S→S，侦察情报上传S→D，指挥控制通信D→S，情报侦察指挥调度D→S，作战命令下达D→I，及火力控制引导I→S；提取武器装备体系异质信息网络G中所有可观测到的存在连接关系的节点对对应的元路径特征向量以及分类标签，构成样本集，其中所述存在连接关系的节点对包括存在直接连接关系以及存在间接连接关系的节点对；构建链路预测模型，利用样本集对链路预测模型进行训练，得到训练好的链路预测模型即节点对的元路径特征向量与节点对之间存在直接连接关系的概率之间的映射关系，其中链路预测模型的训练方法包括：设置样本集中各节点对的元路径特征向量所对应的神经网络的初始连接权重，将各节点对的元路径特征向量输入到基于BP神经网络的链路预测模型，计算各节点对其存在直接连接关系的概率P i ，将各节点对计算得到的概率P i 与节点对对应的分类标签Y i 进行比较得到误差，通过误差对损失函数R进行计算，通过优化方法更新神经网络的连接权重，以使损失函数值最小，所述损失函数R定义如下：其中E T 为样本集中的节点对集合，e i 为样本集E T 中的任一节点对；不断循环迭代，直到达到了设定的最大循环次数或者计算损失函数R的值低于某一阈值达到预期，得到训练好的链路预测模型；对于武器装备体系异质信息网络G＝(V,E)中待进行链路预测的节点对，提取其对应的元路径特征向量，根据节点对的元路径特征向量与节点对之间存在直接连接关系的概率之间的映射关系，得到待进行链路预测的节点对之间存在直接连接关系的概率。
2.根据权利要求1所述的基于元路径的武器装备体系异质信息网络链路预测方法，其特征在于，提取武器装备体系异质信息网络G中所有可观测到的存在连接关系的节点对的分类标签的方法是：对于武器装备体系异质信息网络G中任一可观测到的存在连接关系的节点对e i ＝<v,u>,v,u∈V，若节点对e i ＝<v,u>之间存在直接连接关系，则该节点对e i ＝<v,u>的分类标签Y i 设为1；若节点对e i ＝<v,u>之间不存在直接连接关系，则该节点对e i ＝<v,u>的分类标签Y i 设为0；以此得到异质信息网络G中所有可观测到的存在连接关系的节点对的分类标签。
3.根据权利要求2所述的基于元路径的武器装备体系异质信息网络链路预测方法，其特征在于，提取武器装备体系异质信息网络G中所有可观测到的存在连接关系的节点对对应的元路径特征向量的方法是：设武器装备体系异质信息网络G＝(V,E)中的元路径类型数目为n，对于异质信息网络G中任一可观测到的存在连接关系的节点对e i ＝<v,u>,v,u∈V，提取节点对e i ＝<v,u>在不同元路径下的元路径实例数量作为该节点对的元路径特征，得到节点对e i ＝<v,u>对应的元路径特征向量X i ＝(x i1 ,x i2 ,...,x in )，x ij 表示该节点对e i 在第j类元路径下的元路径实例数量,其中j＝1,2,3…n。
4.根据权利要求3所述的基于元路径的武器装备体系异质信息网络链路预测方法，其特征在于，设样本集中的节点对集合为E T ，对于样本集中的任一节点对e i ＝<v,u>，e i ∈E T ，其对应的元路径特征向量X i ＝(x i1 ,x i2 ,...,x in )以及分类标签Y i ，将元路径特征向量X i ＝(x i1 ,x i2 ,...,x in )作为输入数据，通过链路预测模型计算其存在直接连接关系的概率P i ，将计算得到的P i 与节点对e i ＝<v,u>对应的分类标签Y i 进行比较，Y i 与P i 之间的差值为误差。
5.根据权利要求4所述的基于元路径的武器装备体系异质信息网络链路预测方法，其特征在于，对于节点对e i ＝<v,u>，通过下式计算其存在直接连接关系的概率P i ：式中：x ij 表示节点对e i 在第j类元路径下的元路径实例数量，w j 为x ij 对应的神经网络的连接权重，其初始值为给定值，如设为1。
6.根据权利要求1至5中任一项所述的基于元路径的武器装备体系异质信息网络链路预测方法，其特征在于，更新神经网络的连接权重的方法如下：对于样本集中的任一节点对e i ＝<v,u>，e i ∈E T ，设第k次迭代过程中神经网络的连接权重为 第k+1次迭代过程中神经网络的连接权重更新为 其中 表示第k次迭代过程中神经网络的连接权重的调整部分,表示如下：其中η∈[0,1]为取值为0到1之间的常数，表示神经网络学习速率；P i k 为第k次迭代过程中通过链路预测模型计算得到的节点对e i 存在直接连接关系的概率。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述基于元路径的武器装备体系异质信息网络链路预测方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述基于元路径的武器装备体系异质信息网络链路预测方法的步骤。
