1.一种基于多尺度HGT的归纳式中药靶点关系发现方法，其特征在于，所述方法包括如下步骤：步骤1、基于拓扑鲁棒局部注意力机制构建局部注意力，基于多关系全局交叉注意力机制构建全局注意力，基于特征融合机制构建特征融合模块，局部注意力、全局注意力、特征融合模块和预测模块构成预测模型；

其中，全局注意力包括前馈网络，预测模块包括线性层；

步骤2、基于中药、药物分子、靶点、疾病的原始数据构建异质信息图，对异质信息图进行节点初始化操作，得到节点初始化特征；

步骤3、将节点初始化特征输入至拓扑鲁棒局部注意力中进行局部表示，得到节点的局部表示；

步骤4、将节点初始化特征输入至全局注意力中进行全局节点表示，得到节点的全局表示；

步骤5、将节点的局部表示和节点的全局表示输入至特征融合模块中依次进行拼接操作和特征融合处理，以得到最终特征表示；

步骤6、将最终特征表示输入至线性层中进行预测，得到预测值；

基于预测值构建二元交叉熵损失，利用二元交叉熵损失对预测模型进行优化，得到优化后的预测模型；

利用优化后的预测模型以获取最终的预测结果；

在所述步骤3中，将节点初始化特征输入至拓扑鲁棒局部注意力中进行局部表示，得到节点的局部表示，具体包括如下步骤：将节点初始化特征输入至拓扑鲁棒局部注意力中，利用局部权重矩阵进行投影操作，得到局部注意力节点投影后的特征；

以边连接两个相邻的节点作为节点对，对节点对进行投影，得到节点对的节点表示；

对节点对的节点表示进行注意力计算，得到节点对之间的注意力值；

利用节点对之间的注意力值进行聚合操作，得到聚合异构邻居信息，对聚合异构邻居信息通过节点对的节点表示并结合节点对之间的注意力值进行局部表示，以得到节点的局部表示；

在所述步骤4中，将节点初始化特征输入至全局注意力中进行全局节点表示，得到节点的全局表示，具体包括如下步骤：将节点初始化特征输入至全局注意力中进行投影操作，得到全局注意力中节点投影后的特征；

对全局注意力中节点投影后的特征进行节点划分操作，得到目标节点集合和源节点集合；

利用目标节点集合构建目标节点嵌入序列，以得到构建的目标节点嵌入序列；

利用源节点集合构建源节点嵌入序列，以得到构建的源节点嵌入序列；

对目标节点嵌入序列和源节点嵌入序列，依次进行自注意力机制增强处理和前馈网络处理，分别得到增强的目标节点表示和增强的源节点表示；

对增强的目标节点表示和增强的源节点表示进行交叉注意力机制处理，得到节点的全局表示。

2.根据权利要求1所述的基于多尺度HGT的归纳式中药靶点关系发现方法，其特征在于，将节点初始化特征输入至拓扑鲁棒局部注意力中，利用局部权重矩阵进行投影操作，得到局部注意力节点投影后的特征，对应过程存在的关系式如下：；

其中， 表示局部注意力中节点 投影后的特征， 表示节点类型 的局部权重矩阵， 表示节点的初始化特征；

在以边连接两个相邻的节点作为节点对，对节点对进行投影，得到节点对的节点表示的步骤中，对应过程存在的关系式如下：；

其中， 表示节点 的键表示， 表示节点 的查询表示， 表示节点的值表示， 表示用于将节点 的输入 投影到键空间的参数矩阵， 表示用于将节点 的输入 投影到查询空间的参数矩阵， 表示用于将节点 的输入投影到值空间的参数矩阵， 表示边， 表示键向量， 表示查询向量， 表示值向量，表示线性层， 表示获取边 的关系的函数；

在对节点对的节点表示进行注意力计算，得到节点对之间的注意力值的步骤中，对应过程存在的关系式如下：；

其中， 表示节点 对节点 的注意力值， 表示非线性激活函数，表示特定关系的行权重向量， 表示特定关系的权重矩阵， 表示拼接操作；

在利用节点对之间的注意力值进行聚合操作，得到聚合异构邻居信息，对聚合异构邻居信息通过节点对的节点表示并结合节点对之间的注意力值进行局部表示，以得到节点的局部表示的步骤中，对应过程存在的关系式如下：；

其中， 表示节点 的局部表示， 表示与节点类型 相关的局部输出权重矩阵，表示线性层， 表示节点 通过关系 邻居集合， 表示关系类型的集合。

3.根据权利要求2所述的基于多尺度HGT的归纳式中药靶点关系发现方法，其特征在于，将节点初始化特征输入至全局注意力中进行投影操作，得到全局注意力中节点投影后的特征，对应过程存在的关系式如下：；

其中， 表示全局注意力中节点投影后的特征， 表示节点类型 的全局权重矩阵；

在对全局注意力中节点投影后的特征进行节点划分操作，得到目标节点集合和源节点集合的步骤中，对应过程存在的关系式如下：；

其中， 表示目标节点集合， 表示异质信息图中所有的节点集合， 表示单个节点，表示用于获取节点的类别， 表示源节点集合， 表示用于获取节点 与节点 之间的关系类别；

在利用目标节点集合构建目标节点嵌入序列，以得到构建的目标节点嵌入序列的步骤中，对应过程存在的关系式如下：；

其中， 表示目标节点的嵌入矩阵， 表示目标节点的第1个嵌入， 表示目标节点的第2个嵌入， 表示目标节点的第 个嵌入， 表示转置；

在利用源节点集合构建源节点嵌入序列，以得到构建的源节点嵌入序列的步骤中，对应过程存在的关系式如下：；

其中， 表示源节点的嵌入矩阵， 表示源节点的第 个嵌入。

4.根据权利要求3所述的基于多尺度HGT的归纳式中药靶点关系发现方法，其特征在于，对目标节点嵌入序列和源节点嵌入序列依次进行自注意力机制增强处理和前馈网络处理，分别得到增强的目标节点表示和增强的源节点表示，对应过程存在的关系式如下：；

其中， 表示目标节点的自注意力增强后的表示， 表示源节点的自注意力增强后的表示， 表示节点的自注意力机制， 表示前馈网络；

在对增强的目标节点表示和增强的源节点表示进行交叉注意力机制处理，得到节点的全局表示的步骤中，对应过程存在的关系式如下：；

其中， 表示目标节点的全局表示矩阵， 表示查询矩阵， 表示第1个权重矩阵， 表示键矩阵， 表示第2个权重矩阵， 表示值矩阵， 表示第3个权重矩阵， 表示归一化函数， 表示嵌入向量的维度的平方根， 表示键矩阵 的转置 ， 表示节点 的全局表示， 表示将节点 的标识符映射到矩阵中的具体行号。

5.根据权利要求4所述的基于多尺度HGT的归纳式中药靶点关系发现方法，其特征在于，在所述步骤5中，将节点的局部表示和节点的全局表示输入至特征融合模块中依次进行拼接操作和特征融合处理，以得到最终特征表示，对应过程存在的关系式如下：；

其中， 表示由节点 的局部表示 和节点 的全局表示 拼接后再经特定类型的变换矩阵 融合计算节点 的最终特征表示。

6.根据权利要求5所述的基于多尺度HGT的归纳式中药靶点关系发现方法，其特征在于，在所述步骤6中，基于预测值构建二元交叉熵损失，对应过程存在的关系式如下：；

其中， 表示二元交叉熵损失， 表示真实的标签， 表示对数函数， 表示生成的预测交互概率。

7.一种基于多尺度HGT的归纳式中药靶点关系发现系统，其特征在于，所述系统应用如上述权利要求1至6任意一项基于多尺度HGT的归纳式中药靶点关系发现方法，所述系统包括：构建模块，用于：

基于拓扑鲁棒局部注意力机制构建局部注意力，基于多关系全局交叉注意力机制构建全局注意力，基于特征融合机制构建特征融合模块，局部注意力、全局注意力、特征融合模块和预测模块构成预测模型；

其中，全局注意力包括前馈网络，预测模块包括线性层；

数据处理模块，用于：

基于中药、药物分子、靶点、疾病的原始数据构建异质信息图，对异质信息图进行节点初始化操作，得到节点初始化特征；

特征提取模块，用于：

将节点初始化特征输入至拓扑鲁棒局部注意力中进行局部表示，得到节点的局部表示；

将节点初始化特征输入至全局注意力中进行全局节点表示，得到节点的全局表示；

特征处理模块，用于：

将节点的局部表示和节点的全局表示输入至特征融合模块中依次进行拼接操作和特征融合处理，以得到最终特征表示；

关系预测模块，用于：

将最终特征表示输入至线性层中进行预测，得到预测值；

基于预测值构建二元交叉熵损失，利用二元交叉熵损失对预测模型进行优化，得到优化后的预测模型；

利用优化后的预测模型以获取最终的预测结果。