1.一种学术团队影响力传播预测方法，其特征在于，包括：

基于文献数据库中文献的引用关系构建相应作者的影响力传播有向网络，基于所有所述作者的合著关系构建合作关系网络，所述合作关系网络根据作者的合著关系划分学术团队；

将所述影响力传播有向网络的每一节点表征成传播节点向量，将所述合作关系网络中的每一节点表征成社区节点向量，利用每一所述学术团队内每一作者的所述传播节点向量和该作者的所述社区节点向量构建每一所述学术团队的低维向量；所述低维向量的构建方法如下：将所述学术团队内每一作者的所述传播节点向量和该作者的所述社区节点向量拼接成第二联合向量，将所述学术团队内所有作者的所述第二联合向量输入序列自编码器得到所述学术团队的低维向量，其中，所述序列自编码器包括一组编码器和解码器，所述编码器和解码器均由长短期记忆网络组成；

将每一所述学术团队的低维向量与所述学术团队以外的部分节点的传播节点向量分别拼接成第一联合向量，结合所述学术团队与所述学术团队以外的所述部分节点的传播关系构建数据集，并划分训练集和测试集；

将所述训练集中的所述第一联合向量分别输入深层全连接神经网络预测模型,结合相应学术团队与所述学术团队以外的所述部分节点的传播关系进行训练，得到预测模型，用所述测试集进行测试。

2.根据权利要求1所述的学术团队影响力传播预测方法，其特征在于，所述传播节点向量和社区节点向量均采用DeepWalk模型表征得到。

3.根据权利要求1所述的学术团队影响力传播预测方法，其特征在于，所述序列自编码器进行正则化处理。

4.根据权利要求1所述的学术团队影响力传播预测方法，其特征在于，所述学术团队内所有作者的所述第二联合向量在输入所述序列自编码器前按节点度大小进行排序，节点度越大的节点越后输入。

5.根据权利要求1所述的学术团队影响力传播预测方法，其特征在于，所述深层全连接神经网络进行正则化处理。

6.根据权利要求1或5所述的学术团队影响力传播预测方法，其特征在于，所述深层全连接神经网络中全连接层的激活函数为ReLU函数。

7.一种学术团队影响力传播预测设备，其特征在于，包括至少一个处理器以及与所述至少一个处理器通信连接的至少一个存储器；

所述至少一个存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6任一项所述的学术团队影响力传播预测方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至6任一项所述的学术团队影响力传播预测方法。