1.一种基于图坍缩卷积神经网络的数据推荐方法，其特征在于，包括以下步骤：将用户数据进行密度聚类坍缩，获得K个簇坍缩子图；

对所述簇坍缩子图进行卷积处理，获得所述簇坍缩子图的局部特征；

对所述局部特征进行堆叠处理，实现从簇坍缩子图到全局图结构的图卷积计算，获得用户数据特征和物品数据特征；

根据所述用户数据特征和所述物品数据特征获取推荐结果；

所述将用户数据进行密度聚类坍缩，获得K个簇坍缩子图，包括：采用K‑Means算法对用户数据进行聚类，通过计算用户影响力值获取聚类中心；

基于密度聚类的方式，根据所述聚类中心将用户数据划分为K个簇坍缩子图；

所述基于密度聚类的方式，根据所述聚类中心将用户数据划分为K个簇坍缩子图，包括：

对获得的聚类中心的用户数据，计算两个用户向量之间的距离，对计算获得距离值进行归一化处理；

根据所述距离值计算用户密度，对所述用户密度进行排序，根据排序结果获取用户数据形成簇心数据集；

将所述簇心数据集中的数据作为初始簇中心进行K‑means聚类，获得K个簇坍缩子图。

2.根据权利要求1所述的一种基于图坍缩卷积神经网络的数据推荐方法，其特征在于，所述用户影响力值通过以下公式计算获得：Eu＝αAu+βBu+(1‑α‑β)Su其中，Au表示用户u的属性影响力，Bu表示主动行为影响力，Su表示社交行为影响力，α和β表示用户各项影响力的系数，且0≤α+β≤1。

3.根据权利要求1所述的一种基于图坍缩卷积神经网络的数据推荐方法，其特征在于，所述将所述簇心数据集中的数据作为初始簇中心进行K‑means聚类，获得K个簇坍缩子图，包括：

A1、以所述簇心数据集中的p个元素作为初始簇中心，计算所有的用户数据到簇中心的距离；

A2、根据计算得到的距离，将数据对象分配到距离最近的簇；

A3、计算各簇内用户数据的平均值，根据所述平均值更新簇中心；

A4、重复步骤A1‑A3直至收敛，获得K个质心的密度聚类，作为K个簇坍缩子图。

4.根据权利要求1所述的一种基于图坍缩卷积神经网络的数据推荐方法，其特征在于，(k)

所述簇坍缩子图包括节点数Nk、节点列表Γ 以及子图的簇坍缩矩阵Sk；

所述对所述簇坍缩子图进行卷积处理，获得所述簇坍缩子图的局部特征，包括：对于子图的簇坍缩矩阵Sk，进行GCN卷积，形成子图的坍缩表达作为局部特征；

其中，所述坍缩表达包括用户的嵌入表达 和物品的嵌入表达

5.根据权利要求1所述的一种基于图坍缩卷积神经网络的数据推荐方法，其特征在于，所述对所述局部特征进行堆叠处理，实现从簇坍缩子图到全局图结构的图卷积计算，获得用户数据特征和物品数据特征，包括：在全局GCN卷积中，对于根据不同的所述簇坍缩子图获得的局部特征，设置一个子图权重；

将设置子图权重的局部特征进行堆叠处理，得到全局图结构的用户数据特征 和物品数据特征

6.一种基于图坍缩卷积神经网络的数据推荐系统，其特征在于，包括：数据聚类模块，用于将用户数据进行密度聚类坍缩，获得K个簇坍缩子图；卷积处理模块，用于对所述簇坍缩子图进行卷积处理，获得所述簇坍缩子图的局部特征；

特征堆叠模块，用于对所述局部特征进行堆叠处理，实现从簇坍缩子图到全局图结构的图卷积计算，获得用户数据特征和物品数据特征；

数据推荐模块，用于根据所述用户数据特征和所述物品数据特征获取推荐结果；

所述将用户数据进行密度聚类坍缩，获得K个簇坍缩子图，包括：采用K‑Means算法对用户数据进行聚类，通过计算用户影响力值获取聚类中心；

基于密度聚类的方式，根据所述聚类中心将用户数据划分为K个簇坍缩子图；

所述基于密度聚类的方式，根据所述聚类中心将用户数据划分为K个簇坍缩子图，包括：

对获得的聚类中心的用户数据，计算两个用户向量之间的距离，对计算获得距离值进行归一化处理；

根据所述距离值计算用户密度，对所述用户密度进行排序，根据排序结果获取用户数据形成簇心数据集；

将所述簇心数据集中的数据作为初始簇中心进行K‑means聚类，获得K个簇坍缩子图。

7.一种基于图坍缩卷积神经网络的数据推荐系统，其特征在于，包括：至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1‑5任一项所述的一种基于图坍缩卷积神经网络的数据推荐方法。

8.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1‑5任一项所述方法。