1.基于元图可扩展表示的动态异构网络节点分类方法，其特征在于，包括以下步骤：步骤1，获得科学合作的动态异构信息网络数据，包括网络节点和网络边数据；步骤2，引入复数空间中的嵌入机制来表示在时间戳1的给定动态异构信息网络；步骤3，采用三元元图动态嵌入机制来学习从时间戳2到时间戳t的动态异构信息网络；步骤4，利用基于长短期记忆网络的深度自动编码器处理时间戳1到时间戳t的异构信息网络，分析计算后执行时间戳t+1的图预测；步骤5，利用1到t+1的图数据，对网络中的节点进行分类，获得分类结果；步骤2中所述的嵌入机制通过基于元图的复数空间嵌入方案来表示网络，对于时间戳1的初始异构信息网络，G 1 ＝(V 1 ,E 1 )，为表示节点和元图之间的关系，引入了异构信息网络三元组的概念，所述的异构信息网络三元组表示为(u,s,v)，其中u是元图中生成的第一个节点，v是最后一个节点，s是连接u和v的元图， 和 分别是u、v和s的表示向量，而d是表示向量的维度，一个异构信息网络三元组是否成立的概率表示为：P(s|u,v)＝σ(X uv )，其中， 为得分矩阵，σ为激活函数；对于异构信息网络三元组(u,s,v)，其复数空间嵌入表示为u＝Re(u)+iIm(u)、v＝Re(v)+iIm(v)和s＝Re(s)+iIm(s)，其中 和 分别表示向量 的实虚部分；引入Hadamard函数来捕获u、v和s在复空间中的关系，表示为：其中， 是v的复共轭形式，⊙是元素对应乘积；所述的得分矩阵中的一个元素最终为：相应的得分函数被定义为：其中，<.>表示标准元素对应多线性点乘积；步骤3中所述的三元元图动态嵌入机制中三元组是包含三个节点的集，如果每个节点彼此相连，则称为闭包三元组，如果这三个节点之间只有两条边，则称为开放三元组；为了获得从时间戳1到t的动态异构信息网络嵌入，首先使用负样本策略以形成训练数据集，在正三元组(u,s,v)节点u和v通过元图s连接，在负三元组(u’,s’,v’)节点u’和v’通过元图s’连接；对于每个异构信息网络正三元组(u,s,v)，生成异构信息网络负三元组，方式为将u和v随机替换为其他节点，同时限制它们与被替换节点的类型相同，滤除了取样后仍为正的已替代异构信息网络三元组；开放三元组结构演进为三元闭包过程和闭包三元组演进为开放三元组结构是动态异构信息网络演进的基本变化，将正负演进的三元组作为训练集，并采用步骤2中的复数空间嵌入机制训练，得到时间戳1到t的动态异构信息网络的表示学习；所述网络节点包括作者节点、文献节点、出版平台节点和主题节点，所述网络边数据为所述网络节点之间的关联关系。
2.根据权利要求1所述的基于元图可扩展表示的动态异构网络节点分类方法，其特征在于，动态异构信息网络有四种变化：(1)已添加的边形成三元闭包过程：确定所有拥有三个节点向量的元图从中间只有两条边变为互相连接的圆圈，这些元图将包含在时间戳t的变化训练数据集 中，针对有三个节点v 1 、v 2 和v 3 的元图s，用(v 1 ,v 2 )表示v 1 和v 2 之间的边，然后，在三元闭包过程后获得的 被定义为：(2)已删除的边导致三元开放过程：收集所有的元图，这些元图拥有由圆圈演进为有两条边的路径的三元组；在时间戳t的这些节点将包含在 在三元开放过程之后 被定义为(3)一个已添加节点：鉴于元图中一个表示为v 1 的现有节点和一个新添加的节点v 2 ，则 将扩展为(4)一个已删除节点：鉴于元图中表示为v 1 和v 2 的现有节点，假设v 2 被删除，则 将成为
3.根据权利要求1所述的基于元图可扩展表示的动态异构网络节点分类方法，其特征在于，基于原始元图构建变化集，即当训练变化集时，变更过程结束后，会在原始元图上对节点进行训练；获得 后，仅训练 集，利用基于复数机制的元图来获取变化节点的嵌入，而非重新训练整个网络。
4.根据权利要求1所述的基于元图可扩展表示的动态异构网络节点分类方法，其特征在于，步骤4中，深度自动编码器模型由编码器和解码器部分组成，为构建编码器的输入，对于一个节点，将其元图作为相邻节点，以形成其邻接矩阵A，然后，对于元图中的任何u和v节点对，编码器输入由u和v的时序邻接向量组成，分别表示为 和 a u 是两个部分的组合，一个部分是一行邻接矩阵A，表示与u邻接的节点，通过一个完全连接的层进一步映射至d维向量，另一个部分是节点u的动态节点嵌入；然后，编码器对输入内容进行处理，以获得低维表示y u 和y v ；编码器旨在通过时间戳t的嵌入预测邻域 和 深度自动编码器预测的邻接向量表示为 和
5.根据权利要求4所述的基于元图可扩展表示的动态异构网络节点分类方法，其特征在于，对于节点u及其邻域 其中d是嵌入维度，t是总时间步，第一层的隐藏表示为其中 是自动编码器第1层的参数矩阵，d(1)是第1层的表示维度， 为编码器第1层的偏差，f a 表示S型激活函数；编码器的k层输出计算如下：为了完全捕获有关元图过去演进的信息，进一步在编码器的输出上应用长短期记忆网络层，对于第一个长短期记忆网络层，隐藏状态表示计算为：其中 为激活输入门的值， 为激活遗忘门的值， 为新预估的候选状态， 为长短期记忆网络的单元状态， 为激活输出门的值，δ表示激活函数， 为参数矩阵， 表示偏差，d (k+1) 表示k+1层的表示维度；长短期记忆网络有l层，最终长短期记忆网络的输出可以表示为其中 训练目标是最小化以下损失函数：利用t时刻的嵌入来惩罚t+1时刻不正确的邻域重构，因此，基于长短期记忆网络的深度自动编码器模型能够预测未来时间戳的节点嵌入；f(.)表示在时间戳t+1生成预测邻域所采用的函数，使用上述自动编码器框架作为f(.)， 为超参数矩阵，用于平衡惩罚观察邻域的权重，⊙表示按元素乘积。
6.根据权利要求5所述的基于元图可扩展表示的动态异构网络节点分类方法，其特征在于，将梯度应用于所述目标函数上的解码器权重，如下所示：其中 为自动编码器第k+l层的参数矩阵；在计算导数后，再应用了SGD算法和Adam来训练模型。
