1.一种复杂网络链接预测方法，其特征在于，所述方法基于边卷积，包括以下步骤：设计边卷积运算，构建边卷积层；

堆叠边卷积层，构建学习链接表示的图神经网络，更新并学习连边表示；

从学习的连边表示中抽取出关联节点的表示，并对关联节点的表示进行链接预测。

2.根据权利要求1所述的复杂网络链接预测方法，其特征在于，所述设计边卷积运算具体为：将复杂网络中的连边关联的两个节点的表示连接起来，设计边卷积运算式为：其中， 为目标节点vi的表示，N(i)为vi的邻居，Θ和Φ表示线性层，j表示节点vj的编号， 表示节点vi经过第l+1层卷积运算得到的节点表示。

3.根据权利要求1所述的复杂网络链接预测方法，其特征在于，所述构建学习链接表示的图神经网络具体为：采用连边表示正规化策略对连边表示进行平滑操作，在边卷积层之间加入LeakyReLu激活函数以及残差连接构建所述图神经网络。

4.根据权利要求3所述的复杂网络链接预测方法，所述LeakyReLu激活函数为：其中，x表示的是经边卷积层计算的连边表示，λ是一个可学习的超参数。

5.根据权利要求3所述的复杂网络链接预测方法，其特征在于，所述连边表示正规化策略的表达式如下：

其中，eij为复杂网络中关联目标节点vi和vj的连边；

为连边eij的表示；

为 的均值，表达式为：

为 的标准差，表达式为：

dl为 的维度； 表示的是连边eij表示的第k个元素， 为经过第l+1层边卷积运算获得的连边eij表示。

所述残差连接采用将残差单元以跳层方式加入边卷积运算中，得到用于学习连边表示的表达式：

再加入损失函数，构建得到用于学习连边表示的图神经网络。

6.根据权利要求5所述的复杂网络链接预测方法，其特征在于，所述从学习的连边表示中抽取出关联节点的表示，并对关联节点的表示进行链接预测具体为：从所述图神经中学习的连边表示中抽取出关联节点vi与vj的表示hi与hj，设计并实现解析器Parser，再对hi与hj的表示进行Hadamard积运算，利用sigmod分类器对Hadamard积运算结果进行分类学习，实现vi与vj是否存在链接的预测；其中，

7.根据权利要求2‑6任意一项所述的复杂网络链接预测方法，其特征在于，所述边卷积运算式进一步简化为： 其中，||为节点表示的连接操作。

8.一种复杂网络链接预测系统，其特征在于，所述系统基于边卷积，包括以下模块：设计模块，用于设计边卷积运算，构建边卷积层；

构建模块，用于堆叠边卷积层，构建学习链接表示的图神经网络，更新并学习连边表示；

预测模块，用于从学习的连边表示中抽取出关联节点的表示，并对关联节点的表示进行链接预测。

9.根据权利要求8所述的复杂网络链接预测系统，其特征在于，所述设计模块，用于设计边卷积运算，构建边卷积层具体为：将复杂网络中的连边关联的两个节点的表示连接起来，设计边卷积运算式为：

其中， 为目标节点vi的表示，N(i)为vi的邻居，Θ和Φ表示线性层；j表示节点vj的编号， 表示节点vi经过第l+1层卷积运算得到的节点表示。

10.根据权利要求9所述的复杂网络链接预测系统，其特征在于，所述构建模块中所述构建学习链接表示的图神经网络具体为：采用连边表示正规化策略对连边表示进行平滑操作，在边卷积层之间加入LeakyRelu激活函数以及残差连接构建所述图神经网络。

11.根据权利要求10所述的复杂网络链接预测系统，其特征在于，所述LeakyRelu激活函数为： 其中x表示的是经边卷积层计算的连边表示，λ是一个可学习的超参数；

所述所述连边表示正规化策略的表达式如下：其中，eij为复杂网络中关联目标节点vi和vj的连边；

为连边eij的表示；

为 的均值，表达式为：

为 的标准差，表达式为：

dl为 的维度； 表示的是连边eij表示的第k个元素， 为经过第l+1层边卷积运算获得的连边eij表示；

所述残差连接采用将残差单元以跳层方式加入边卷积运算中，得到用于学习连边表示的表达式：

再加入损失函数，构建得到用于学习连边表示的图神经网络。

12.根据权利要求11所述的复杂网络链接预测系统，其特征在于，所述预测模块，用于从学习的连边表示中抽取出关联节点的表示，并对关联节点的表示进行链接预测具体为：从所述图神经中学习的连边表示中抽取出关联节点vi与vj的表示hi与hj，设计并实现解析器Parser，再对hi与hj的表示进行Hadamard积运算，利用sigmod分类器对Hadamard积运算结果进行分类学习，实现vi与vj是否存在链接的预测；其中，

13.根据权利要求9‑12任意一项所述的复杂网络链接预测系统，其特征在于，其特征在于，所述边卷积运算式进一步简化为：其中，||为节点表示的连接操作。