1.一种基于投影和对比学习的疾病‑微生物关联预测系统，其特征在于：包括：

数据获取模块，被配置为：获取疾病和微生物参量数据；

无权投影模块，被配置为：将根据参量数据构建的二分网络进行无权投影，得到疾病‑疾病关联以及疾病‑微生物关联；

特征提取模块，被配置为：根据疾病‑疾病关联以及疾病关联图对比学习得到疾病特征，根据疾病‑微生物关联以及微生物关联图对比学习得到微生物特征；

关联预测模块，被配置为：根据疾病特征、微生物特征和预设全连接网络模型，得到疾病‑微生物关联预测结果；

所述无权投影，包括：

通过二分网络中邻居数目确定关联边权重大小，将边权重取符号激活，得到无权投影；

利用图卷积作为编码器进行无权投影后的二分网络的特征提取，图卷积通过不断聚合目标节点周边的邻居来完成特征学习；

采用加权的交叉熵损失函数计算全连接网络模型的损失值。

2.如权利要求1所述的基于投影和对比学习的疾病‑微生物关联预测系统，其特征在于：计算二分网络中同时与第一疾病和第二疾病的关联，将结果通过符号函数激活，去除其中权重关系，只保留疾病之间关联信息。

3.如权利要求1所述的基于投影和对比学习的疾病‑微生物关联预测系统，其特征在于：通过最大化局部互信息来训练编码器，使用平均值readout函数得到疾病‑疾病关联的图级别表示。

4.如权利要求1所述的基于投影和对比学习的疾病‑微生物关联预测系统，其特征在于：采用双线性评分函数进行评分以最大化局部向量和全局向量。

5.如权利要求1所述的基于投影和对比学习的疾病‑微生物关联预测系统，其特征在于：特征学习带有标准二值交叉熵损失的噪声对比型目标函数。

6.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如下步骤：获取疾病和微生物参量数据；

将根据参量数据构建的二分网络进行无权投影，得到疾病‑疾病关联以及疾病‑微生物关联；

根据疾病‑疾病关联以及疾病关联图对比学习得到疾病特征，根据疾病‑微生物关联以及微生物关联图对比学习得到微生物特征；

根据疾病特征、微生物特征和预设全连接网络模型，得到疾病‑微生物关联预测结果；

所述无权投影，包括：

通过二分网络中邻居数目确定关联边权重大小，将边权重取符号激活，得到无权投影；

利用图卷积作为编码器进行无权投影后的二分网络的特征提取，图卷积通过不断聚合目标节点周边的邻居来完成特征学习；

采用加权的交叉熵损失函数计算全连接网络模型的损失值。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如下步骤：获取疾病和微生物参量数据；

将根据参量数据构建的二分网络进行无权投影，得到疾病‑疾病关联以及疾病‑微生物关联；

根据疾病‑疾病关联以及疾病关联图对比学习得到疾病特征，根据疾病‑微生物关联以及微生物关联图对比学习得到微生物特征；

根据疾病特征、微生物特征和预设全连接网络模型，得到疾病‑微生物关联预测结果；

所述无权投影，包括：

通过二分网络中邻居数目确定关联边权重大小，将边权重取符号激活，得到无权投影；

利用图卷积作为编码器进行无权投影后的二分网络的特征提取，图卷积通过不断聚合目标节点周边的邻居来完成特征学习；

采用加权的交叉熵损失函数计算全连接网络模型的损失值。