1.一种lncRNA与疾病关系挖掘方法，其特征在于，所述方法包括：根据lncRNA相似度以及疾病相似度分别构建lncRNA超图和疾病超图，基于疾病和lncRNA的已知关联关系将lncRNA超图和疾病超图连接，并构建包含同类型超边和异类型超边的异构超图；

从异构超图中随机选取一个起始节点，在当前节点进行游走时，根据当前游走步数和总游走步数确定偏置因子，并确定与所述当前节点同属于一个超边的节点集合，根据当前节点和集合中节点连接的超边类型以及偏置因子确定当前节点转移到节点集合中每个节点的概率，按照所述概率确定当前节点下一步移动到的节点，并记录游走顺序，将下一步移动到的节点作为当前节点，直到达到总游走步数；

完成多次游走后，统计lncRNA节点和疾病节点的访问频率，根据访问频率得到挖掘结果；

所述根据当前游走步数和总游走步数确定偏置因子，具体为：

采用高斯函数计算偏置因子，其中，高斯函数的曲线中心值为总游走步数的一半；

所述根据当前节点和集合中节点连接的超边类型以及偏置因子确定当前节点转移到节点集合中每个节点的概率，具体为：为同类型超边和异类型超边设置权重，同类型超边的权重大于异类性超边的权重；

计算当前节点和每个候选节点共享的超边类型，若超边类型是同类型超边，通过（1‑偏置因子）*同类型超边权重得到同类型超边的中间概率，若超边类型的异类性超边，通过偏置因子*异类性超边权重得到异类性超边的中间概率；

将当前节点和候选节点共同超边的所有中间概率的平均值或者最大值作为当前节点转移到所述候选节点的概率，当计算得到节点集合中所有节点的转移概率后，对转移概率归一化，作为最终的转移概率。

2.如权利要求1所述的方法，其特征在于，所述同类型超边内部权重计算方式为：计算同类型超边内部节点的相似度的平均值，将所述平均值作为同类型超边内部权重。

3.如权利要求1所述的方法，其特征在于，所述异类性超边外部权重，具体为：获取异类性超边中所有疾病节点和所有lncRNA节点最强关联强度，将最强关联强度作为异类性超边外部权重。

4.一种lncRNA与疾病关系挖掘系统，其特征在于，所述系统包括：超图构建模块，用于根据lncRNA相似度以及疾病相似度分别构建lncRNA超图和疾病超图，基于疾病和lncRNA的已知关联关系将lncRNA超图和疾病超图连接，并构建包含同类型超边和异类型超边的异构超图；

游走模块，用于从异构超图中随机选取一个起始节点，在当前节点进行游走时，根据当前游走步数和总游走步数确定偏置因子，并确定与所述当前节点同属于一个超边的节点集合，根据当前节点和集合中节点连接的超边类型以及偏置因子确定当前节点转移到节点集合中每个节点的概率，按照所述概率确定当前节点下一步移动到的节点，并记录游走顺序，将下一步移动到的节点作为当前节点，直到达到总游走步数；

挖掘模块，用于完成多次游走后，统计lncRNA节点和疾病节点的访问频率，根据访问频率得到挖掘结果；

所述根据当前游走步数和总游走步数确定偏置因子，具体为：

采用高斯函数计算偏置因子，其中，高斯函数的曲线中心值为总游走步数的一半；

所述根据当前节点和集合中节点连接的超边类型以及偏置因子确定当前节点转移到节点集合中每个节点的概率，具体为：为同类型超边和异类型超边设置权重，同类型超边的权重大于异类性超边的权重；

计算当前节点和每个候选节点共享的超边类型，若超边类型是同类型超边，通过（1‑偏置因子）*同类型超边权重得到同类型超边的中间概率，若超边类型的异类性超边，通过偏置因子*异类性超边权重得到异类性超边的中间概率；

将当前节点和候选节点共同超边的所有中间概率的平均值或者最大值作为当前节点转移到所述候选节点的概率，当计算得到节点集合中所有节点的转移概率后，对转移概率归一化，作为最终的转移概率。

5.如权利要求4所述的系统，其特征在于，所述同类型超边内部权重计算方式为：计算同类型超边内部节点的相似度的平均值，将所述平均值作为同类型超边内部权重。

6.如权利要求4所述的系统，其特征在于，所述异类性超边外部权重，具体为：获取异类性超边中所有疾病节点和所有lncRNA节点最强关联强度，将最强关联强度作为异类性超边外部权重。