1.一种多阶相似性融合学习的微生物‑疾病关联性预测方法，其特征在于，包括以下步骤：S1：获取微生物功能相似性矩阵 和疾病功能相似性矩阵 ；

S2：获取微生物‑疾病关联矩阵 ，并利用 计算出微生物线性邻域相似性矩阵 和余弦相似性矩阵 ，同时计算出疾病线性邻域相似性矩阵 和余弦相似性矩阵 ；

S3：构建一个多阶相似性融合学习方法，将S1与S2步骤中三种微生物相似性矩阵和三种疾病相似性矩阵分别融合生成微生物相似性网络 和疾病相似性网络 ；

S4：最后采用标签传播方法得到最终预测结果；

步骤S3中构建多阶相似性融合学习方法，将微生物的三个相似性融合成一个相似性网络，具体步骤为：在进行多相似性融合前需要对微生物的三个相似性矩阵 、 和 进行选择性列归一处理得到三个相似性初始核，同时创建三个邻居约束内核，并对三个内核做选择性行归一化处理；

在构建高阶路径查找并融合更多相似性子空间信息的过程中，为避免出现对弱相似性进行放大而引入更多噪声的问题，采取K‑Nearest Neighbor对初始相似性进行邻居约束预处理，为每个微生物寻找前 个可靠的邻居相似性信息参与到高阶融合中去，以确保增强后的局部相似性是可靠的；

在多阶相似性融合学习的过程中，假设微生物相似性矩阵大小为 ，通过构建出矩阵来进行每个网络的低阶全局学习和多个网络跨中间节点的高阶特征学习，最后通过以下公式得到最终的微生物相似性融合矩阵 ：

首先是无中间节点的低阶全局学习，考虑学习所有相似性网络的共有潜在特征，学习的范围为整个相似性网络，通过最小化平均损失来进行，其公式表示如下：其次是多个网络跨中间节点的高阶特征学习，实现网络之间的交互进而深入挖掘不同网络子空间的结构信息；依托相似性网络的邻居节点作为中间节点实现两个网络之间的嫁接，用此方式来实现跨节点的高阶特征学习；具体公式如下所示：其中 为 矩阵的转置；为了增加更多节点路径同时实现不同网络子空间的交互，通过依托两个邻居节点的方式来实现网络之间的嫁接，以还原相似性网络的复杂结构。

2.根据权利要求1所述的一种多阶相似性融合学习的微生物‑疾病关联性预测方法，其特征在于，步骤S1中微生物功能相似性矩阵 ，具体为：从STRING v11数据库中检索蛋白质‑蛋白质功能关联网络，然后使用基因邻居方法预测蛋白质之间的功能关联，通过捕捉两种微生物基因组中编码的蛋白质之间相互作用的潜力计算出微生物的功能相似性，采用 来表示微生物功能相似性矩阵 代表微生物的数量，其中 代表微生物 和微生物 之间的相似评分。

3.根据权利要求1所述的一种多阶相似性融合学习的微生物‑疾病关联性预测方法，其特征在于，步骤S2中获取微生物‑疾病关联矩阵 ，具体为：通过人类微生物‑疾病关联数据库HMDAD获取已知的微生物‑疾病关联；其中包括483个已由实验验证的39种疾病和292种微生物之间的关联；在去除多余的关联后得到了450个不同的关联对； 表示微生物‑疾病关联矩阵，其中 和 分别是微生物的数量和疾病的数量，微生物‑疾病关联矩阵 定义如下：  。