1.一种基于图卷积神经网络和相似性的电商网络平台用户社区发现方法，其特征在于：包括以下步骤：步骤一：根据电商网络的用户数据，构建电商用户网络模型G(V,E)，V表示节点，E表示节点之间的连边，一个节点表示一个用户，电商网络共有N个用户，对应网络的N个节点，如果两个用户购买了同一类商品，则用户之间存在一条连边，A表示网络G的邻接矩阵；

步骤二：根据 节点相似度指标计算网络G中有连边节点对的相似度，构成相似度矩阵SimN×N，其中Simij表示节点i和节点j之间的相似度，

Γ(i)表示节点i的邻居节点，k(i)表示节点i的度大小，|Γ(i)∩Γ(j)|表示节点i和j的共同邻居个数；

步骤三：连接网络中任意节点和它的偏好节点，构建偏好网络GP(V，EP)，其中一个节点P的偏好节点指的是和该节点相似度最大的节点，连边集E＝{ei，j|i，j∈V}，其中ei，j表示节点i的最大相似度节点为j；

步骤四：把偏好网络GP(V，EP)每个互相连通的节点群作为一个社区，得到初始社区划分结果C＝{c1，c2，c3，…，ck}，计算得到社区规模系数α＝{α1，α2，α3，…，αk}，其中 |ci|表示社区ci中的节点数量，|V|表示网络中的节点数量；

步骤五：计算社区稀疏系数β＝{β1，β2，β3，…βk}，其中 表示社区ci的内部边数量， 表示社区ci的外部边数量；

步骤六：计算社区规模系数阈值

和社区稀疏系数阈值

其中|C|表示社区总个数，当社区满足社区规模系数和社区稀疏系数均大于阈值时，标记该社区为强社区，并且选择强社区中的最大度点作为该社区的领导节点，给领导节点分配社区标签，步骤七：建立图卷积神经网络模型GCN(I，A),其中，单位矩阵I表示网络的特征矩阵，网络的邻接矩阵和单位矩阵作为模型的输入，GCN的最后一层采用softmax层输出每个类别的概率，输出概率最大的标签作为节点的预测标签ypredict，根据领导节点真实标签yL和预测标签ypredict计算交叉熵损失值Loss进行反向传播更新权重，当达到预设的最大迭代次数时停止训练，则Ylf表示每个节点的输出标签，把相同节点的标签的节点划分为一个社区，得到用户的社区划分结果，其中损失函数其中，Zlf表示softmax的输出概率，yL表示领导节点的标签。