1.一种基于多图卷积神经网络的中药推荐方法，其特征在于，包括中医数据特征聚合阶段和中药预测阶段；所述中医数据特征聚合阶段采用两个独立的GCN对症状、证型、状态要素数据进行特征聚合、提取，从而为每个样本获得具有丰富信息的特征向量；所述中药预测阶段采用多层感知机MLP对聚合后的特征进行分类，从而对每一味中药算出一个概率值，表示其被推荐的概率；

所述采用两个独立的GCN，对于输入的症状组Xps，分别对症状‑证型‑症状图Ts和症状‑状态要素‑状态图Se进行图卷积操作来实现特征聚合，从而挖掘出具有症状、症状间关系、证型信息的嵌入表示Zpt和具有症状、症状间关系、状态要素信息的嵌入表示Zpe；最后将两者进行融合，从而得到具有症状、症状间关系、证型、状态要素信息的嵌入表示Zps；

对症状‑状态要素‑状态图Se和症状‑证型‑症状图Ts进行特征聚合的方式如下：

症状对其一阶邻居节点的聚合过程被定义为：

其中，Wpe为权重矩阵，bpe为偏置矩阵，ReLU()为非线性激活函数；

症状‑证型‑症状图Ts的节点聚合过程被定义为：

其中，Wpt为权重矩阵，bpt为偏置矩阵；

此外，为了捕获高阶症状邻居的信息，还进一步将特征聚合扩展到多个层，以获取更大的感受野；对于更高的层次第i+1阶，仅使用权重和偏置来进行特征聚合；其聚合过程被定义为：

2.根据权利要求1所述的一种基于多图卷积神经网络的中药推荐方法，其特征在于，症状‑证型‑症状图Ts和症状‑状态要素‑状态图Se的构建方法如下：对于数据集中的每一个处方p表示为：{sp＝{s1,s2,...,sk}，hp＝{h1,h2,...,hm}，tsp＝{ts1,ts2,...,tsj}，sep＝{se1,se2,...,sez}}，其中，sp为处方的症状集合，hp为处方的草药集合，tsp为处方的证型集合，sep为处方的状态要素集合；将Se和Ts表示为无向图，则分别用一个k×k的症状关系矩阵来表示它们；Se图关系矩阵中的元素由以下关系来进行定义：其中，SEs1,s2表示为症状s1与症状s2之间的关系，se(3)表示3个及以上不同状态要素的集合；此构图方式将状态要素信息隐藏于症状图的拓扑结构之中；同理，用如下关系来定义Ts图的关系矩阵：其中，tsj代表任意一种证型；此构图方式将中医证型信息隐藏于症状图的拓扑结构之中。

3.根据权利要求1所述的一种基于多图卷积神经网络的中药推荐方法，其特征在于，对于 和 使用矩阵拼接操作来对它们进行融合，其表示如下：

4.根据权利要求1所述的一种基于多图卷积神经网络的中药推荐方法，其特征在于，所述采用多层感知机MLP对聚合后的特征进行分类，最终得到一组中药集合的方式为：对于每个样本，在中医数据特征聚合阶段提取出具有丰富信息的特征向量表示后，使用多层感知机MLP进行分类预测，从而对每一味中药计算出一个概率值，表示其被推荐的概率。

5.根据权利要求1所述的一种基于多图卷积神经网络的中药推荐方法，其特征在于，所述中药预测阶段采用多标签交叉熵损失函数作为损失函数，其被定义为：其中，H表示中药的种类数；th和yh分别代表着实际标签和预测值，th∈{0,1}，0≤yh≤1。