1.一种基于矩阵分解的食物-疾病关联预测方法，其特征在于包括以下步骤：

步骤1：利用成分表构建食物相似度网络W1；

步骤2：利用国际疾病分类数据构建疾病相关度网络W2；

步骤3：正则化食物相似度网络，得到正则化的食物相似度网络

步骤4：正则化疾病相关度网络，得到正则化的疾病相关度网络

步骤5：构造已知的二元食物-疾病关联网络

步骤6：随机初始化要预测的食物-疾病关联矩阵Y；

步骤7：引入捕捉食物相似度真实情况的拟合矩阵S1和疾病相关度真实情况的拟合矩阵S2，迭代学习模型参数，输出预测的食物-疾病关联矩阵Y、食物相似度真实情况的拟合矩阵S1和疾病相关度真实情况的拟合矩阵S2；

所述步骤1的具体实现方法为：将每一个节点设置为“食物-量-食用方法”的组合，在“量-食用方法”不同的情况下，将两两节点关系置为0；在“量-食用方法”相同的情况下，根据食物成分表，利用余弦公式，计算两两食物之间的相似度，作为节点关系值，从而得到食物相似度网络W1；

所述步骤2的具体实现方法为：根据国际疾病分类数据，如果两种疾病同属同一类目，则相关度设置为k，如果两种疾病同属同一亚目，则相关度设置为2k，如果两种疾病同属同一细目，则相关度设置为3k，其中3k∈(0，1)，从而得到疾病相关度网络W2；

所述步骤3的具体实现方法为：设n为“食物名-量-食用方法”的组合数，W1∈Rn×n是食物相似度网络，则W1用于构造正则化的食物相似度网络 为： 其中，D1是W1的对角化矩阵，对角线上元素为对应的W1的行和；

所述步骤4的具体实现方法为：设m为疾病数，W2∈Rm×m是疾病相关度网络，则W2用于构造正则化的疾病相关度网络 为： 其中，D2是对角化矩阵，对角线上元素为对应的W2的行和；

所述步骤5的具体实现方法为：设已知的食物-疾病关联由二进制矩阵 表示，将细化食物与疾病的关联，利用“食物名-量-食用方法-疾病”进行建模，对于已验证关联的四元组设置为1，否则为0；

所述步骤6的具体实现方法为：通过对食物-疾病关联矩阵Y中的每一个值赋予0-1之间的任意数作为初始化；

所述步骤7的具体实现方法为：对食物-疾病关联进行建模，在建模过程中进行如下设定：相似度高的食物可能会导致同一个疾病、同一种食物可能会导致密切相似的疾病、食物相似度矩阵和疾病相关度矩阵的数值是含噪的；引入捕捉食物相似度真实情况的拟合矩阵S1和疾病相关度真实情况的拟合矩阵S2，在拟学习的食物-疾病关联矩阵Y上传播食物相似和疾病相似关系，设计如下损失函数：参照链式法则，交替优化Ψ1(Y,S1)和Ψ2(Y,S2)，输出预测的食物-疾病关联矩阵Y、食物相似度真实情况的拟合矩阵S1、疾病相关度真实情况的拟合矩阵S2；

其中，Ψ1(Y,S1)、Ψ2(Y,S2)分别为食物-疾病关联矩阵Y与食物相似度真实情况的拟合矩阵S1的损失函数和食物-疾病关联矩阵Y与疾病相关度真实情况的拟合矩阵S2的损失函数；μ、ζ、ν、η分别为对应项的权重，权重均为人为指定的超参数；I为单位矩阵，该单位矩阵对角线元素全部为1，其他元素全部为0；tr(A)是矩阵A的主对角线上各个元素的总和；

是A矩阵中所有不为0的元素的平方和；YT是指Y矩阵的转置，即将矩阵Y中元素的角标前后交换。