1.一种提高协同过滤模型稳定性的方法，其特征在于，该方法包括如下步骤：步骤1：训练动态美学协同过滤推荐系统模型DCFA得到收敛参数；

步骤2：构建对抗性扰动Δadv，即得到使BPR优化方法损失最大的扰动；

步骤3：在DCFA模型上添加步骤2得到的对抗性扰动得到模型ADCFA；

步骤4：将步骤1得到的收敛参数作为模型ADCFA的初始值；

步骤5：使用随机梯度下降方法SGD优化模型ADCFA；

步骤6：通过步骤5的方法更新得到模型参数Θ；

所述步骤1中，DCFA的预测模型为：

其中U、V、T分别是用户、产品以及时间的嵌入矩阵，M是用户偏好矩阵，W是产品潜在特征矩阵，N是在时间r时的偏好矩阵，F是特征矩阵，u、i、r分别表示用户、物品、时间；

所述步骤2中，构建对抗性扰动Δadv，所述过程如下：其中∈≥0是控制扰动幅度的超参数，||·||是L2范数，对应的目标函数如下：其中， 和 如下表示：

所述步骤3中，ADCFA为：

其中，Δi表示加入到特征嵌入矩阵的对抗性扰动。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括以下步骤：步骤7：将原先的模型DCFA和模型ADCFA进行泛化性能的对比。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括以下步骤：步骤8：将原先的模型DCFA和模型ADCFA进行鲁棒性能的对比。

4.根据权利要求1～3之一所述的方法，其特征在于，所述步骤5中，SGD所需要输入的数据包括训练集，迭代次数以及正则化系数和两个超参数，输出为收敛的模型参数。

5.根据权利要求2所述的方法，其特征在于，所述步骤7中，进行泛化性能对比的过程如下：先对DCFA模型进行1000次迭代训练使其达到收敛状态，再用该训练所得到的参数初始化ADCFA模型，为了实现对比，我们用一样的参数初始化一个新的DCFA模型并继续训练它。

6.根据权利要求3所述的方法，其特征在于，所述步骤8中，进行鲁棒性能对比的过程如下：对DCFA模型和ADCFA模型加入相同大小的扰动，并记录它们的性能变化。