1.一种融合图卷积约束增强低秩表征的慢性病共病模式识别方法，其特征在于，包括：

获取医疗数据资源，其中，所述医疗数据资源包括从检验、诊断、治疗、处方、电子病历、临床数据资源中梳理出的慢性病患病情况的数据记录；

利用医疗数据资源构建慢性病共病网络，其中，所述慢性病共病网络用于描述疾病间的相关性、影响力，可根据多源数据通过计算疾病或患者间相关性进行构建，所述多源数据包括患者基本信息以及检验、诊断、治疗、处方数据、电子病历、临床数据、组学大数据，其中，所述慢性病共病网络用图G＝(V,E)，V＝{vi|i∈{1,…,n}}表示包含n个疾病节点的集合，E＝{eij|i,j∈{1,…,m}}表示包含m条连边的集合；邻接矩阵A＝[aij]用于表示和存储目标共病网络G，其中aij表示疾病节点vi和vj之间的交互关系，其数值等于I(si,sj)，si和sj分别代表两种不同的疾病；

对所述慢性病共病网络进行低秩表征学习挖掘输出其中的社区结构，其中，所述低秩表征学习采用融合图卷积约束的低秩表征方法表征所述共病网络；所述采用融合图卷积约束的低秩表征方法表征所述共病网络包括：设计目标函数，目标函数如下：

其中，A为所述共病网络的邻接矩阵，U为大小为n×K的特征矩阵，n和K分别为共病网络中节点和社区的数目；为计算矩阵的F范数；Tr(·)为计算矩阵的迹；UT表示矩阵U的转置；L＝D-A为A的拉普拉斯矩阵，其中D＝∑lAil为A的度矩阵，其中Ail为A中对应下标处的元素值；表示GCN模块隐藏层特征矩阵，其中hi对应于节点vi的特征向量，d表示特征维度；和表示GCN模块的权重矩阵；为规范化邻接矩阵，为加入自连接的邻接矩阵，为的度矩阵，为中对应下标处的元素值；λ1为图正则系数；σ(·)为GCN模块的非线性激活函数；

运用社区划分机制识别共病网络中的社区结构，发掘共病模式。

2.根据权利要求1所述的方法，其特征在于，将图卷积约束转化为如下正则化形式：

求解如下优化问题，得到特征矩阵U、H和权重矩阵W(1)、W(2)：

(U,H,W(1),W(2))←arg min JGCGS,s.t.U,H,W(1),W(2)≥0结合拉格朗日函数法，以及不等式约束的KKT条件，推导出优化问题的学习规则：

其中，λ1为图正则系数，λ2为图卷积正则系数，g1和g1′分别代表和g2和g2′分别代表和σ′(·)为σ(·)的导数；β为控制特征矩阵U学习尺度因子的线性调节系数，在区间(0,1)中取值；⊙表示矩阵的Hadamard积；根据学习规则分别迭代更新特征矩阵U、H及权重矩阵W(1)和W(2)，直至达到收敛条件时停止，并将最终得到的特征矩阵U、H和权重矩阵W(1)、W(2)作为所述优化问题的解，输出特征矩阵U作为社区划分的指示矩阵。

3.根据权利要求1所述的方法，其特征在于，所述慢性病共病网络的构建方法包括：

梳理慢性病患病记录，从检验、诊断、治疗、处方、电子病历、临床数据中梳理出数据记录；

统计疾病出现的频次，从所述数据记录中统计出每一种疾病出现的频次Q(si)以及疾病组合共同出现的频次Q(si,sj)，其中，某疾病si出现在一条患病记录中则计数1次，某两种疾病si和sj共同出现在一条患病记录中则计数1次；

计算两两疾病之间的互信息值，计算方法如下：

其中，p(si)＝Q(si)/F，p(sj)＝Q(sj)/F分别计算疾病si和sj的观测频率，其中F代表总的观测频数，p(si,sj)＝Q(si,sj)/F计算同时观测到疾病si和sj的频率；

构建用于描述慢性病复杂影响关系的共病网络。

4.根据权利要求1所述的方法，其特征在于，所述运用社区划分机制识别共病网络中的社区结构以发掘共病模式包括：训练得到特征矩阵U和H后，以U作为节点-疾病共病模块归属关系划分的指示矩阵，对所述共病网络中的节点进行逐个判断，指派到所属共病模块，指派规则如下：其中，V表示所述共病网络中节点集合，vi表示其中任一节点；Cs为共病组合，s∈{1,2,…,P}，P为共病组合总数目；uik为特征矩阵U中元素，表示节点vi被划分到共病组合Ck的概率；若uis为其中的最大值，则节点vi被划分到共病组合Cs中的可能性最大，在划分完目标共病网络中所有节点的共病组合后，可得到识别出的所有的共病组合{C1,C2,…,CP}。

5.一种融合图卷积约束增强低秩表征的慢性病共病模式识别装置，其特征在于，包括：

获取单元，用于获取医疗数据资源，其中，所述医疗数据资源包括从检验、诊断、治疗、处方、电子病历、临床数据资源中梳理出的慢性病患病情况的数据记录；

构建单元，利用医疗数据资源构建慢性病共病网络，其中，所述慢性病共病网络用于描述疾病间的相关性、影响力，可根据多源数据通过计算疾病或患者间相关性进行构建，所述多源数据包括患者基本信息以及检验、诊断、治疗、处方数据、电子病历、临床数据、组学大数据，其中，所述慢性病共病网络用图G＝(V,E)，V＝{vi|i∈{1,…,n}}表示包含n个疾病节点的集合，E＝{eij|i,j∈{1,…,m}}表示包含m条连边的集合；邻接矩阵A＝[aij]用于表示和存储目标共病网络G，其中aij表示疾病节点vi和vj之间的交互关系，其数值等于I(si,sj)，si和sj分别代表两种不同的疾病；

表征单元，用于对所述慢性病共病网络进行低秩表征学习挖掘输出其中的社区结构，其中，所述低秩表征学习采用融合图卷积约束的低秩表征方法表征所述共病网络；所述采用融合图卷积约束的低秩表征方法表征所述共病网络包括：设计目标函数，目标函数如下：

其中，A为所述共病网络的邻接矩阵，U为大小为n×K的特征矩阵，n和K分别为共病网络中节点和社区的数目；为计算矩阵的F范数；Tr(·)为计算矩阵的迹；UT表示矩阵U的转置；L＝D-A为A的拉普拉斯矩阵，其中D＝∑lAil为A的度矩阵，其中Ail为A中对应下标处的元素值；表示GCN模块隐藏层特征矩阵，其中hi对应于节点vi的特征向量，d表示特征维度；和表示GCN模块的权重矩阵；为规范化邻接矩阵，其中为加入自连接的邻接矩阵，为的度矩阵，为中对应下标处的元素值；λ1为图正则系数；σ(·)为GCN模块的非线性激活函数；

划分单元，用于运用社区划分机制识别共病网络中的社区结构，发掘共病模式。

6.根据权利要求5所述的装置，其特征在于，将图卷积约束转化为如下正则化形式：

求解如下优化问题，得到特征矩阵U、H和权重矩阵W(1)、W(2)：

(U,H,W(1),W(2))←arg min JGCGS,s.t.U,H,W(1),W(2)≥0结合拉格朗日函数法，以及不等式约束的KKT条件，推导出优化问题的学习规则：

其中，λ1为图正则系数，λ2为图卷积正则系数，g1和g1′分别代表和g2和g2′分别代表和σ′(·)为σ(·)的导数；β为控制特征矩阵U学习尺度因子的线性调节系数，在区间(0,1)中取值；⊙表示矩阵的Hadamard积；根据学习规则分别迭代更新特征矩阵U、H及权重矩阵W(1)和W(2)，直至达到收敛条件时停止，并将最终得到的特征矩阵U、H和权重矩阵W(1)、W(2)作为所述优化问题的解，输出特征矩阵U作为社区划分的指示矩阵。

7.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现上述权利要求1至4中任一项所述的方法。

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，所述计算机程序用于执行上述权利要求1至4中任一项所述的方法。