1.一种面向强稀疏性移动社交网络的链路预测方法，其特征在于，所述方法包括以下步骤：图自编码器GAE中的编码器接收输入的移动社交网络的图序列，进行特征提取，得到特征矩阵；

矩阵聚合模块对所述编码器输出的特征矩阵和图序列的度矩阵进行聚合，得到聚合后的特征矩阵；

长短期记忆LSTM模块接收所述矩阵聚合模块输出的聚合后的特征矩阵，进行时序特征提取，将提取的时序特征输入到所述图自编码器GAE中的解码器；

所述解码器进行解码，得到预测的链路图。

2.根据权利要求1所述的方法，其特征在于，所述GAE使用图卷积网络GCN作为编码器，所述编码器执行如下操作进行特征提取：其中，At表示第t张快照中的邻接矩阵，IN表示维数为N×N的单位矩阵， 表示At的过渡(0) (1)形式， 表示 的度矩阵， 是 的过渡形式，W 表示第1层GCN的权重，W 表示第2层GCN的权重，Zt表示GCN的输出，ReLU和Softmax分别为第1层GCN的激活函数和第2层GCN的激活函数。

3.根据权利要求2所述的方法，其特征在于，所述矩阵聚合模块使用一个线性层和Softmax函数对编码器输出的特征矩阵和度矩阵进行聚合：‑1

其中， 和 表示的线性层的权重和偏置，Dt表示第t张快照的度矩阵，Dt 表示Dt的逆矩阵，Zt表示第t张快照的编码器输出， 表示聚合后的特征矩阵。

4.根据权利要求3所述的方法，其特征在于，所述解码器进行解码包括：所述解码器处理由LSTM模块输出的特征矩阵，得到最终预测网络的邻接矩阵其中ot表示中第t张快照的LSTM模块输出， 表示ot的转置。

5.一种面向强稀疏性移动社交网络的链路预测系统，其特征在于，所述系统包括图自编码器GAE、矩阵聚合模块和长短期记忆LSTM模块，所述图自编码器GAE包括编码器和解码器；

所述图自编码器GAE中的编码器接收输入的移动社交网络的图序列，进行特征提取，得到特征矩阵；

所述矩阵聚合模块对所述编码器输出的特征矩阵和图序列的度矩阵进行聚合，得到聚合后的特征矩阵；

所述长短期记忆LSTM模块接收所述矩阵聚合模块输出的聚合后的特征矩阵，进行时序特征提取，将提取的时序特征输入到所述图自编码器GAE中的解码器；

所述解码器进行解码，得到预测的链路图。

6.根据权利要求5所述的系统，其特征在于，所述GAE使用图卷积网络GCN作为编码器，所述编码器执行如下操作进行特征提取：其中，At表示第t张快照中的邻接矩阵，IN表示维数为N×N的单位矩阵， 表示At的过渡(0) (1)形式， 表示 的度矩阵， 是 的过渡形式，W 表示第1层GCN的权重，W 表示第2层GCN的权重，Zt表示GCN的输出，ReLU和Softmax分别为第1层GCN的激活函数和第2层GCN的激活函数。

7.根据权利要求6所述的系统，其特征在于，所述矩阵聚合模块使用一个线性层和Softmax函数对编码器输出的特征矩阵和度矩阵进行聚合：‑1

其中， 和 表示的线性层的权重和偏置，Dt表示第t张快照的度矩阵，Dt 表示Dt的逆矩阵，Zt表示第t张快照的编码器输出， 表示聚合后的特征矩阵。

8.根据权利要求7所述的系统，其特征在于，所述解码器进行解码包括：所述解码器处理由LSTM模块输出的特征矩阵，得到最终预测网络的邻接矩阵其中ot表示中第t张快照的LSTM模块输出， 表示ot的转置。

9.一种面向强稀疏性移动社交网络的链路预测系统，其特征在于，所述系统包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1‑4任一项所述的方法。

10.一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可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1‑4任一项所述的方法。