1.基于多层协同注意力图协同过滤的关系预测方法，其特点在于：步骤如下：第一步：使用语义相似度计算模型计算出疾病关系图中各疾病之间的语义相似度信息SD，作为疾病的第一种初始特征；

第二步：使用高斯交互剖面核函数计算出circRNA‑疾病关系图中各疾病之间的高斯交互剖面相似度信息DGS，作为疾病的第二种初始特征；

第三步：使用高斯交互剖面核函数计算出circRNA‑疾病关系图中各circRNA之间的高斯交互剖面相似度信息CGS，作为circRNA的第一种初始特征；

第四步：基于第一步得到的疾病语义相似度，使用功能相似度计算模型计算出circRNA‑疾病关系图中各circRNA之间的功能相似度信息FC，作为circRNA的第二种初始特征；

第五步：使用特征融合算法合并circRNA的两种特征并形成新的circRNA特征CSim，合并疾病的两种特征形成新的疾病特征DSim；

第六步：使用深度自编码器DAE重构circRNA特征与疾病的特征形成新的circRNA特征Cs与新的疾病特征Ds；

第七步：使用Cs和Ds完成初始嵌入构造，生成circRNA与疾病的嵌入查询矩阵E；

第八步：基于生成的嵌入矩阵E，使用多层协同注意力图消息传播机制，得到关于(l)circRNA与疾病特征在整个关系网络上的聚合信息E ，并将其作为circRNA与疾病最终的特征表示；

第九步：使用circRNA‑疾病关系图中训练数据对协同过滤预测模型进行训练并计算得到预测结果Y′；

所述第八步的多层协同注意力图消息传播机制，使用的消息传播机制包含消息构造阶段与消息聚合阶段，并建立了基于circRNA中心网络与疾病中心网络的多层协同注意力机制；因此，在疾病中心网络上进行特征学习过程可表示为：其中 为第l次传播过程中，在疾病d的中心网络上各circRNA对中心疾病的贡献值的大小并表示为： 在circRNA与疾病整个网络上进行特征学习，其分层传播的矩阵运算形式表示为

其中

(0)

是circRNA与疾病经过l次传播后的嵌入特征表示；消息传播的初始状态E 的初始值为E，为circRNA‑疾病关系图的拉普拉斯矩阵。

2.如权利要求1所述的基于多层协同注意力图协同过滤的关系预测方法，其特征在于：所述第六步中的circRNA与疾病特征重构阶段使用的深度自编码器架构，包括1个编码层和

1个解码层；用于circRNA的DAE，其编码层和解码层各由3个全连接层组成；各全连接层分别将585维输入特征降至350维，150维，64维；用于疾病的DAE，其编码层与解码层各由1个全连接层组成；各全连接层分别将88维输入特征降至64维且统一各层激活函数为ReLU。

3.如权利要求1或2所述的基于多层协同注意力图协同过滤的关系预测方法，其特征在于：所述第七步中的初始嵌入构造中，E为初始嵌入矩阵，并表示为k k

其中向量ec∈R，ed∈R，且ec为Cs中某circRNA的特征，ed为Ds中某疾病的特征。

4.如权利要求1或2所述的基于多层协同注意力图协同过滤的关系预测方法，其特征在于：所述第九步的协同过滤模型中，包括了1个广义矩阵分解模型及1个多层感知机模型；广义矩阵分解模型包含了1次circRNA特征矩阵与疾病特征矩阵相乘操作与1个归一化层，将circRNA特征与疾病特征作为输入最终得到256维输出结果；多层感知机模型包含3个卷积层，2个池化层，第一层将输入训练或测试circRNA特征与对应疾病特征进行拼接形成维度

512的输出，经过多层感知机后生成256维输出结果；将广义矩阵分解与多层感知机模型处理结果进行加权求和得到预测结果Y′，其中广义矩阵分解结果Egmf的权重为0.9，多层感知机结果Emlp的权重为0.1。

5.如权利要求3所述的基于多层协同注意力图协同过滤的关系预测方法，其特征在于：所述第九步的协同过滤模型中，包括了1个广义矩阵分解模型及1个多层感知机模型；广义矩阵分解模型包含了1次circRNA特征矩阵与疾病特征矩阵相乘操作与1个归一化层，将circRNA特征与疾病特征作为输入最终得到256维输出结果；多层感知机模型包含3个卷积层，2个池化层，第一层将输入训练或测试circRNA特征与对应疾病特征进行拼接形成维度

512的输出，经过多层感知机后生成256维输出结果；将广义矩阵分解与多层感知机模型处理结果进行加权求和得到预测结果Y′，其中广义矩阵分解结果Egmf的权重为0.9，多层感知机结果Emlp的权重为0.1。