1.一种基于多视图的药物‑药物相互作用预测方法，其特征在于，包括以下步骤：选择若干对具有已知药物‑药物相互作用结果标签的药物对和若干对待预测的药物对，分别形成已知药物对集合和待预测药物对集合，由已知药物对集合和待预测药物对集合形成总药物对集合；

对已知药物对集合中的每个已知药物‑药物相互作用结果标签进行预处理，获得已知药物对集合对应的已知标签矩阵；

获取总药物对集合的每个药物对中药物的特征，对所述特征进行预处理，获得每个药物的多视图数据；

对总药物对集合的每个药物对中药物的特征进行预处理的操作包括：对药物的化学亚结构特征、靶点特征、路径特征和酶特征进行编码，获得每个药物的多视图数据；

进行总药物对集合中药物对的多视图拼接，形成总药物对集合对应的视图矩阵；

对于视图矩阵中的任一个视图，初始化视图的相似度矩阵、权重，根据权重和相似度矩阵，初始化融合图；所述融合图利用视图矩阵中的视图的相似度加权得到；

迭代更新相似度矩阵、权重及融合图，直至迭代结束，得到最终的融合图；

计算最终的融合图对应的拉普拉斯矩阵，基于所述拉普拉斯矩阵和所述已知标签矩阵，计算得到待预测药物对集合对应的待预测标签矩阵；

根据所述待预测标签矩阵对待预测药物对集合进行药物‑药物相互作用预测，获得预测结果。

2.根据权利要求1所述的基于多视图的药物‑药物相互作用预测方法，其特征在于，所述已知标签矩阵的每一行表示每一个具有已知药物‑药物相互作用结果标签的药物对，每一列表示每一种药物‑药物相互作用结果标签，每一行均有且仅有一个元素值为1，其他元素值皆为0，元素值为1的元素表示该元素所在行对应的药物对的药物‑药物作用结果标签为所在列所指示的标签。

3.根据权利要求1或2所述的基于多视图的药物‑药物相互作用预测方法，其特征在于，所述化学亚结构特征使用简化分子线性输入规范表示，且通过摩根指纹进行编码，所述靶点特征、路径特征和酶特征通过独热编码进行编码。

4.根据权利要求3所述的基于多视图的药物‑药物相互作用预测方法，其特征在于，所述总药物对集合中包含n对药物对，对每一对药物对中的药物进行编码预处理后，将药物对中的在后药物的化学亚结构特征编码、靶点特征编码、酶特征编码和路径特征编码分别拼接到在前药物的化学亚结构特征编码、靶点特征编码、酶特征编码和路径特征编码之后，获得药物对组合的视图矩阵；其中第v个特征编码对应的视图矩阵 ， 和 分别表示视图矩阵 中的第1个和第n个视图数据点。

5.根据权利要求4所述的基于多视图的药物‑药物相互作用预测方法，其特征在于，相似度矩阵的初始值表示为:其中， 、 、 及 分别表示视图数据点 与 间、视图数据点 与 间、视图数据点与 间及视图数据点 与 间的相似度；

所述权重的初始值为： ，其中，m表示视图的总个数；

根据权重和相似度矩阵，得到所述融合图的初始值 ：

。

6.根据权利要求4所述的基于多视图的药物‑药物相互作用预测方法，其特征在于，构建相似度矩阵优化模型，具体为：式中， 或 表示视图矩阵 中的第i个和第j个视图数据点， 表示第v个视图；表示视图矩阵 对应的相似度矩阵，表示 与 间的相似度，也表示相似度矩阵 的第ij个元素，表示矩阵 的第i个行向量，表示用于平衡各个视图比重的权重；

构建融合图优化模型，具体为：

式中， 表示相似度矩阵 对应的权重， 表示弗罗贝尼乌斯范数， 是融合图 的第ij个元素，是融合图 的第i个行向量；

其中，的初始值为 ， 的初始值为 ，的初始值为 ；和 的初始值根据 确定；

利用交替迭代法迭代求解相似度矩阵优化模型和融合图优化模型，在目标函数 和目标函数 达到最小化时，或迭代次数达到预设值时，结束迭代，得到最终的融合图。

7.根据权利要求5所述的基于多视图的药物‑药物相互作用预测方法，其特征在于，计算最终的融合图对应的拉普拉斯矩阵 ，计算表达式为：式中，D表示最终的融合图 对应的度矩阵；n表示药物对组合的总对数； 、 、及 分别表示由已知标签与已知标签之间的关系、未知标签和已知标签之间的关系、已知标签和未知标签之间的关系及未知标签与未知标签之间的关系构成的拉普拉斯分块矩阵；

基于所述拉普拉斯矩阵 和所述已知标签矩阵 ，计算得到待预测药物对集合对应的待预测标签矩阵 ：其中，已知标签矩阵 的每一行表示每一个具有已知药物‑药物相互作用结果标签的药物对，每一列表示每一种药物‑药物相互作用结果标签，每一行均有且仅有一个元素值为1，其他元素值皆为0，元素值为1的元素表示该元素所在行对应的药物对的药物‑药物作用结果标签为所在列所指示的标签；

待预测标签矩阵 的每一行表示每一对待预测药物对，每一列表示每一种药物‑药物相互作用结果标签，任一个元素值表示该元素所在行对应的药物对的标签种类为所在列所指示的标签的预测值；

在待预测标签矩阵 的每一行中选取元素值最大的元素作为药物‑药物相互作用的预测结果，所述预测结果表示：待预测药物对的标签为选取的元素所在列所指示的药物‑药物相互作用结果标签。

8.一种基于多视图的药物‑药物相互作用预测系统，用于实现权利要求1 7任一项所述~基于多视图的药物‑药物相互作用预测方法，其特征在于，包括：

药物对集合获取模块，用于选择若干对具有已知药物‑药物相互作用结果标签的药物对和若干对待预测的药物对，分别形成已知药物对集合和待预测药物对集合，由已知药物对集合和待预测药物对集合形成总药物对集合；

第一预处理模块，用于对已知药物对集合中的每个已知药物‑药物相互作用结果标签进行预处理，获得已知药物对集合对应的已知标签矩阵；

第二预处理模块，用于获取总药物对集合的每个药物对中药物的特征，对所述特征进行预处理，获得每个药物的多视图数据；

多视图拼接模块，用于进行总药物对集合中药物对的多视图拼接，形成总药物对集合对应的视图矩阵；

初始化模块，用于对于视图矩阵中的任一个视图，初始化视图的相似度矩阵、权重，根据权重和相似度矩阵，初始化融合图；

迭代更新模块，用于迭代更新相似度矩阵、权重及融合图，直至迭代结束，得到最终的融合图；

预测模块，用于计算最终的融合图对应的拉普拉斯矩阵，基于所述拉普拉斯矩阵和所述已知标签矩阵，计算得到待预测药物对集合对应的待预测标签矩阵；

根据所述待预测标签矩阵对待预测药物对集合进行药物‑药物相互作用预测，获得预测结果。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，其特征在于，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1 7任~一项所述基于多视图的药物‑药物相互作用预测方法的步骤。