1.一种基于松弛约束对称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)进行表示，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；其中，邻接矩阵A＝[aij]用于表示和存储目标共病网络G，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)；

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松弛约束的对称非负矩阵分解算法得到目标网络的低秩表征矩阵；采用松弛约束的对称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为所述共病网络对应的邻接矩阵；决策参数W和H代表可学习的特征矩阵，P和Q为辅助参数矩阵，其大小分别跟特征矩阵W和H相同；表示矩阵的F范数；λ为正值常数，代表图正则化项系数；Tr(·)用于计算矩阵的迹；L代表邻接矩阵A的拉普拉斯矩阵，引入辅助矩阵P和Q的目的是将决策参数W和H的训练和约束进行分离，实现松弛约束“W＝P,H＝Q,P＝Q”下的对称性表征，以及非负约束“P,Q≥0”下的数值特性表征；

构造增广拉格朗日函数，采用ADMM交替方向乘子法构造增广拉格朗日函数：

其中，A为所述共病网络对应的邻接矩阵；决策参数W和H代表特征矩阵，P和Q是跟特征矩阵W、H相同的辅助参数矩阵；表示矩阵的F范数；λ为正值常数，代表图正则化项的系数；Tr(·)计算矩阵的迹；L代表邻接矩阵A的拉普拉斯矩阵；°代表矩阵的Hadamard积；α、β和θ分别对应于三个惩罚项权重，控制其比例大小，P和Q的非负性可通过将它们的值域映射到非负空间而实现；

推导关于参数的更新规则，在ADMM优化框架下，令t和t+1分别表示参数的当前和更新迭代状态，运用更新规则迭代更新全部参数，直至达到收敛条件；其中，收敛条件为：(1)连续两次迭代训练后目标函数值差值绝对值小于0.1；(2)或迭代次数达到20次时停止；更新规则如下：其中，表示梯度，η是梯度上升中的学习率，输出特征参数W、H、P和Q，并将Q作为社区划分指示矩阵；

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，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，从上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，其中i,j＝1,2,…,n代表所关注的疾病数目；

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。

3.根据权利要求2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：训练得到特征参数W、H、P和Q后，以Q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，vj表示其中任一节点；Cs为共病组合s,s∈{1,2,…,K}，K为共病组合总数目；qjk为低秩矩阵Q中元素，表示节点vj被划分到共病组合k的概率，qjs为其中的最大值，表示节点vj被划分到共病组合s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可能C＝{C1,C2,…,CK}。

4.一种基于松弛约束对称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，所述慢性病共病网络用图G＝(V,E)进行表示，其中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)；

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松弛约束的对称非负矩阵分解算法得到目标网络的低秩表征矩阵；采用松弛约束的对称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为所述共病网络对应的邻接矩阵；决策参数W和H代表可学习的特征矩阵，P和Q为辅助参数矩阵，其大小分别跟特征矩阵W和H相同；表示矩阵的F范数；λ为正值常数，代表图正则化项系数；Tr(·)用于计算矩阵的迹；L代表邻接矩阵A的拉普拉斯矩阵，引入辅助矩阵P和Q的目的是将决策参数W和H的训练和约束进行分离，实现松弛约束“W＝P,H＝Q,P＝Q”下的对称性表征，以及非负约束“P,Q≥0”下的数值特性表征；

构造增广拉格朗日函数，采用ADMM交替方向乘子法构造增广拉格朗日函数：

其中，A为所述共病网络对应的邻接矩阵；决策参数W和H代表特征矩阵，P和Q是跟特征矩阵W、H相同的辅助参数矩阵；表示矩阵的F范数；λ为正值常数，代表图正则化项的系数；Tr(·)计算矩阵的迹；L代表邻接矩阵A的拉普拉斯矩阵；°代表矩阵的Hadamard积；α、β和θ分别对应于三个惩罚项权重，控制其比例大小，P和Q的非负性可通过将它们的值域映射到非负空间而实现；

推导关于参数的更新规则，在ADMM优化框架下，令t和t+1分别表示参数的当前和更新迭代状态，运用更新规则迭代更新全部参数，直至达到收敛条件；其中，收敛条件为：(1)连续两次迭代训练后目标函数值差值绝对值小于0.1；(2)或迭代次数达到20次时停止；更新规则如下：其中，表示梯度，η是梯度上升中的学习率，输出特征参数W、H、P和Q，并将Q作为社区划分指示矩阵；

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。

5.一种电子设备，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3中任一项所述的方法。

6.一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3中任一项所述的方法。