1.一种基于复杂网络分析的动态人才团队发现方法，其特征在于，所述方法包括：根据人才之间的学术关联关系构建人才关联矩阵，根据人才的研究方向构建研究方向矩阵；根据所述人才关联矩阵和所述研究方向矩阵对每个人才与其他人才进行相似度排序得到排序向量，对排序向量进行多维度信息融合，得到排序矩阵，对排序矩阵进行奇异值分解，提取左奇异向量的第一列，选择前K个相似度最高的人才作为当前人才的邻居，根据每一人才和对应的邻居构建人才统一图；所述人才统一图的节点表示人才，边表示人才之间的关联关系；对所述人才统一图进行非负矩阵分解，得到对应的人才隶属指示矩阵，根据人才隶属指示矩阵计算人才在团队归属上的相似程度，最小化人才统一图与人才在团队归属上的相似程度的差异，得到人才团队划分结果，并对人才团队划分结果施加历史演化约束，构建目标函数；对每一时刻的目标函数进行优化求解，得到对应的最优人才隶属指示矩阵，根据最优人才隶属指示矩阵进行动态人才团队划分；所述目标函数为： ；其中， 为 时刻的人才统一图， 为 时刻的人才隶属指示矩阵， 为人才 i 在 t 时刻隶属于团队 j 的概率， 为矩阵的F范数的平方， 为矩阵的转置， 为人才数量， 为人才团队数量， 为权重系数。
2.根据权利要求1所述的方法，其特征在于，最小化人才统一图与人才在团队归属上的相似程度的差异，得到人才团队划分结果包括：最小化人才统一图与人才在团队归属上的相似程度的差异，得到人才团队划分结果为： ；其中， 为 时刻的人才统一图， 为 时刻的人才隶属指示矩阵， 为人才 i 在 t 时刻隶属于团队 j 的概率， 为矩阵的F范数的平方， 为矩阵的转置， n 为人才数量， k 为人才团队数量。
3.根据权利要求1所述的方法，其特征在于，所述历史演化约束为： ；其中， 为历史演化约束， 为人才隶属指示矩阵， 为时刻， 为矩阵的转置， 为矩阵的F范数的平方。
4.根据权利要求1所述的方法，其特征在于，对每一时刻的目标函数进行优化求解，得到对应的最优人才隶属指示矩阵包括：根据预先设置的人才隶属指示矩阵的更新规则对每一时刻的目标函数进行优化求解，得到对应的最优人才隶属指示矩阵。
5.根据权利要求1所述的方法，其特征在于，根据最优人才隶属指示矩阵进行动态人才团队划分包括：根据最优人才隶属指示矩阵得到人才隶属于不同团队的概率，将人才划分到最大概率值对应的团队，实现动态人才团队划分。
6.一种基于复杂网络分析的动态人才团队发现装置，其特征在于，所述装置包括：参数获取模块，用于根据人才之间的学术关联关系构建人才关联矩阵，根据人才的研究方向构建研究方向矩阵；图构建模块，用于根据所述人才关联矩阵和所述研究方向矩阵对每个人才与其他人才进行相似度排序得到排序向量，对排序向量进行多维度信息融合，得到排序矩阵，对排序矩阵进行奇异值分解，提取左奇异向量的第一列，选择前K个相似度最高的人才作为当前人才的邻居，根据每一人才和对应的邻居构建人才统一图；所述人才统一图的节点表示人才，边表示人才之间的关联关系；模型构建模块，用于对所述人才统一图进行非负矩阵分解，得到对应的人才隶属指示矩阵，根据人才隶属指示矩阵计算人才在团队归属上的相似程度，最小化人才统一图与人才在团队归属上的相似程度的差异，得到人才团队划分结果，并对人才团队划分结果施加历史演化约束，构建目标函数；模型求解模块，用于对每一时刻的目标函数进行优化求解，得到对应的最优人才隶属指示矩阵，根据最优人才隶属指示矩阵进行动态人才团队划分；所述目标函数为： ；其中， 为 时刻的人才统一图， 为 时刻的人才隶属指示矩阵， 为人才 i 在 t 时刻隶属于团队 j 的概率， 为矩阵的F范数的平方， 为矩阵的转置， 为人才数量， 为人才团队数量， 为权重系数。
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权利要求1至5中任一项所述方法的步骤。
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权利要求1至5中任一项所述的方法的步骤。
