1.一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于包括以下步骤：S1：采集用户行为数据和用户，物品的属性内容；

S2：若采集的行为是显式评分，则根据用户对物品的评分信息构造用户‑物品图，计算用户与用户、物品与物品之间的相似度构造用户‑用户图，物品‑物品图；若采集的行为信息只有浏览、点击隐式交互信息，构造用户‑物品图；

S3：对构建的关系图进行图卷积操作，得到用户、物品的节点的特征向量；

S4：将用户、物品的节点的特征向量分别与用户、物品的属性特征进行全连接；

S5：将得到的用户、物品的节点的特征向量作为神经协同过滤算法框架的输入层，从而进行预测，根据预测结果进行信息推荐。

2.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于：所述S1所述用户行为数据包括浏览、购买以及评分信息；所述浏览、购买以及评分信息包括用户的年龄，性别，职业；物品的类别；用户对物品1‑5范围内的评分；以及用户浏览行为中的购买、浏览次数、点击次数。

3.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于：实施所述S2之前，还包括步骤：对数据预处理，其中预处理包括：将性别字段将‘F’和‘M’转换成0和1；将年龄进行段落划分，包括有以下几种：1：“小于18岁”；18：“18‑24”；25：“25‑

34”；35：“35‑44”；45：“45‑49”；50：“50‑55”；56：“56+；将Age字段转成7个连续数字0‑6；以及将物品类别字段赋予多值属性并使用Multi‑Hot编码。

4.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S3包括：

S31，构建用户‑用户图；

S32，构建物品‑物品图；

S33，构建用户‑物品图；

S34，构造度矩阵。

5.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S31包括：

S311，计算用户‑用户相似度：利用Person相关系数衡量用户ui和用户uj之间的相似关系sim(ui，uj)，其中 是用户ui和uj之间共同做出评分的物品集合；

S312，构造用户的邻接矩阵Au；

所述步骤S311包括：

S3111，利用每位用户u的评分计算每位用户的平均分uu：S3112，计算用户ui和uj之间的Pearson相关系数如下：所述步骤S312中所述邻接矩阵Au是一个对角元素为0的对称矩阵，矩阵中的元素e(ui，uj)代表每对用户是用户ui和uj之间的边权值，即sim(ui，uj)所述步骤S312利用调整的余弦函数来定义物品i与物品j之间的相似度，包括：S3121，均值中心化：用户u对物品j的评分：suj＝ruj‑μu   (4)；

S3122，计算物品i与物品j之间的相似度

6.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S32包括：

S321，定义物品‑物品相似度；

S322，构造物品的邻接矩阵Av；物品的邻接矩阵Av是一个对角元素为0的对称矩阵，矩阵中的e(vi，vj)代表物品i和物品j之间的边上的权值，即sim(i，j)，其中

7.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S33包括：

M×N

S331，当用户有显式评分信息时，用户物品评分矩阵R∈R (M代表用户个数，N代表物品个数)，R∈{1，2，3，4，5}；为每一级评分构建用户‑商品交互图即(0，1)矩阵，即当r＝1时，若用户i对物品j有评分时，则为rij＝1，否则rij＝0；

S332，当用户只有隐式行为的时候，仅有用户对商品浏览、购买行为信息，没有显式评M×N

分，其中，R∈{0，1} ，R代表用户与商品是否存在交互，因此仅包含一个用户物品交互图，即若用户i对物品j进行过交互信息，则rij＝1，否则rij＝0，邻接矩阵Aimplicit如下所示：。

8.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S34包括：通过邻接矩阵可A以计算出度矩阵D，为一个对角矩阵，矩阵元素为邻接矩A中对应行列的和即Dii＝∑jAij；

通过公式(9)利用用户邻接矩阵Au计算度矩阵Du，利用物品邻接矩阵Av计算出度矩阵Dv；

显式情况下利用用户物品评分的邻接矩阵Ar计算出r个度矩阵Dr；利用隐式行为的邻接矩阵Aimplict计算出度矩阵Dimplicit。

9.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S3包括：

S31，正则化：

图卷积操作中，将拉普拉斯矩阵与特征向量相乘，对拉普拉斯矩阵做正则化操作，得到对称且归一化的拉普拉斯矩阵即：

上式(10)中只包含了邻居节点的信息，为了使得节点本身的信息也被包含，需对该式加上一个单位矩阵IN，即：

S32：进行卷积操作：

使用X代表关系图上用户/物品节点的特征向量矩阵，Θ为卷积参数，那么关系图G上的单层卷积操作可以表示为：

多层卷积层叠加时的隐层的更新为：

其中后一层的输入X为上层的输出Ht，对应的逐层卷积层参数为Wt。

10.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S4包括：

S41，使用全连接层将图卷积得到的用户、物品节点特征向量分别于用户、物品的属性特征向量相结合；

S42，使用一个全连接层联这两种不同的信息：Z＝σ(W[Znode，Zattribute]+b)    (14)使用一个基于神经网络的矩阵分解框架NCF，结合GMF和MLP实施所述S5，其中GMF为传统的矩阵分解层，输出计算如下式(15)所示：其中pi代表用户i的特征向量，qj代表物品j的特征向量，代表向量元素相乘的运算符号；

其中，MLP为多层感知器，MLP层之间使用relu作为激活函数，计算如下：最后将所述GMF和MLP学习到的隐向量进行全连接，并且输出用logistic使得最后一层的输出向量转化为0到1之间，