1.一种基于隐性关系注意力网络的小样本医学知识图谱补全方法，其特征在于，所述方法包括以下步骤：步骤1：医学知识图谱由三元组组成，三元组的实体包含药物、疾病、症状、医疗设备、传播途径、检查方法和治疗手段；

步骤 2：获取医学知识图谱的初始实体嵌入向量集合和关系嵌入向量集合；

步骤3：从医学小样本任务关系的正向实体对抽取实体对形成参考集集合和正向查询集集合，从实体集合中抽取形成负向查询集集合，上述集合的所有实体称作医学实体，所有小样本任务关系和实体邻居关系称作医学关系；

步骤4：计算所有医学关系的增强特征关系嵌入，包括增强任务关系嵌入和增强实体邻居关系嵌入；

步骤5：计算所有医学实体对的增强任务关系嵌入与增强实体邻居关系嵌入的相似性得分；

步骤6:计算所有医学实体与一跳邻居之间的邻居感知嵌入；

步骤7: 医学实体嵌入和实体邻居感知嵌入进行耦合获得所有医学实体的增强嵌入；

步骤8：计算头尾实体邻居关系向量的相似性，得到查询集邻居关系相似性集合和参考集邻居关系相似性集合；

步骤9：将每个实体对和其关系作为编码器的输入序列，计算包含位置信息的嵌入向量；

步骤10：计算所有医学实体对的动态关系嵌入，得到查询集三元组动态关系嵌入集合和参考集三元组动态关系嵌入集合；

步骤11：计算每个查询集元素对参考集元素的三元组动态关系嵌入相关性和两者邻居关系相似性的相关性；

步骤12：计算不同查询三元组的关系嵌入和邻居关系相关性嵌入；

步骤13：遍历查询集，根据关系嵌入和邻居关系相关性嵌入计算融合关系嵌入；

步骤14：计算所有查询三元组与相应的融合关系嵌入的语义相似度；

步骤15：计算损失值；

步骤16：利用随机梯度下降方法训练模型；

步骤17： 针对缺失的三元组，遍历医学知识图谱中的实体集合，计算语义相似度，取最高的医学实体补全缺失三元组的尾实体；

步骤18：遍历医学知识图谱中所有的三元组，重复执行步骤17，得到补全完整的医学知识图谱。

2.如权利要求1所述的基于隐性关系注意力网络的小样本医学知识图谱补全方法，其特征在于，所述步骤1中，三元组为  ， ， ， ，  分别表医学知识图谱中的头实体，关系和尾实体，  表示包含药物、疾病、症状、医疗设备、传播途径、检查方法和治疗手段的实体集合，  表示实体之间内在的关联关系集合， 和   分别表示实体和关系的数量；一个小样本任务对应的关系为  ,针对医学实体  ，其一阶邻居表示为  ，其中，   代表背景图，  为医学实体与邻居的关系，  为邻居实体；

所述步骤 2中，使用TransE算法获取医学知识图谱   的初始实体嵌入向量集合  ，关系嵌入向量集合  ；

所述步骤3中，对于医学知识图谱   中的小样本任务关系  ，通过从医学小样本任务关系   的正向实体对中抽取   个实体对，形成参考集集合  , 从剩余的正向实体对抽取   个实体对，形成正向查询集集合  ；然后，通过随机地从实体集合中抽取，形成负向查询集集合  ，其对应向量满足条件 ；

步骤4：任意选取一个医学关系   进行特征提取，做残差连接以及归一化操作,得到增强特征关系嵌入；

包括增强任务关系嵌入   和增强实体邻居关系嵌入  ，  包括增强头实体邻居关系嵌入   和增强尾实体邻居关系嵌入  ，其中，  为gelu激活函数，  和   都是可学习的参数；遍历所有医学关系，计算医学关系的增强特征关系嵌入；

所述步骤5中， 任意选取一个医学实体  ，计算相应的增强任务关系嵌入   和增强实体邻居关系嵌入   的相似性：；

所述步骤6中，任意选取一个医学实体   计算邻居感知嵌入：；

；

所述步骤7中，任意选取一个医学实体  ，对医学实体嵌入   和实体邻居感知嵌入  进行耦合来获得医学实体的增强嵌入：；

其中，  为Relu函数，  是可学习的参数；

所述步骤8中，任意选取医学知识图谱中的一对医学实体  ，计算头尾实体邻居关系嵌入的相似性：；

所述步骤9中，任意选取医学知识图谱中的一对医学实体  ，将每个实体对和其关系作为Transformer编码器的输入序列  ，其中，   分别代表头实体增强嵌入和尾实体增强嵌入，  代表头尾实体邻居关系向量的相似性，计算包含位置信息的嵌入向量；

其中，  代表位置编码；

所述步骤10中，计算增强三元组向量序列：；

其中，  表示经过第   层Transformer Blocks   的隐藏状态，最后的隐藏状态  作为三元组的动态关系嵌入；遍历所有医学实体对，重复步骤9‑步骤10，计算其对应的动态关系嵌入，可以得到查询集三元组动态关系嵌入集合   和参考集三元组动态关系嵌入集合   ；

所述步骤11中，在查询集   任意选取一个三元组  ，在参考集   中任意选取一个三元组  ，计算二者的三元组动态关系嵌入相关性   和两者邻居关系相似性的相关性  ，其中；

；

遍历查询集和参考集，计算每个查询集元素对参考集元素的三元组动态关系嵌入相关性和两者邻居关系相似性的相关性；

所述步骤12中，在查询集   任意选取一个三元组  ，计算其关系嵌入   和邻居关系相关性嵌入  ，其中；

；

其中

；

；

；

遍历查询集和参考集，计算不同查询三元组的关系嵌入和邻居关系相关性嵌入；

所述步骤13中，在查询集   任意选取一个三元组  ，计算其融合关系嵌入；

其中， 为可学习参数， ，根据邻居信息损失情况进行调整，当邻居信息相关性越高， 值越大，邻居信息相关性越低，值越小；

所述步骤14中，在查询集   任意选取一个三元组  ，计算其与相应的融合关系嵌入的语义相似度；

遍历所有查询实体对，计算所有查询三元组与相应的融合关系嵌入的语义相似度；

所述步骤15中，计算损失：

；

其中， 是安全边界距离，通过最小化   来使得正样本查询集与参考集的相似度得分尽可以高；

所述步骤16中，利用随机梯度下降方法更新模型参数；重复步骤4到步骤16，当  小于指定的最小损失值后，结束计算；

所述步骤17中，针对具有任务关系   的缺失医学知识图谱中的三元组 ，其中，  表示缺失的尾实体，通过遍历医学知识图谱中的实体集合，计算语义相似度  分数, 其中   表示医学实体集合中的任意实体，然后将分数排序，取分数最高的医学实体来作为补全缺失三元组的尾实体。