1.一种基于无采样协作知识图网络的推荐系统，其特征在于：包括依次连接的嵌入模块、无采样知识图卷积模块、协作传播模块和预测模块；

所述嵌入模块设置为获取知识图谱中三元组的初始嵌入向量；

所述无采样知识图卷积模块设置为包含若干线性聚合器的单层卷积网络，对所述初始嵌入向量进行无采样的预计算，获得所述三元组的深层次信息；将所述嵌入向量和深层次信息结合作为更新嵌入向量；

所述协作传播模块设置为同时编码用户和项目交互中的协作信号作为用户和项目的初始偏好，与所述更新嵌入向量结合作为预测模块的输入向量；

所述预测模块设置为根据所述输入向量获得推荐结果。

2.如权利要求1所述的基于无采样协作知识图网络的推荐系统，其特征在于，所述嵌入模块在获取到所述初始嵌入向量后，还包括步骤：将所述知识图谱中的三元组分别建模到实体和关系两个空间，并根据下述公式评价其可信度： 其中，h和t为实体，r为实体h和t间存在的关系，eh，er，et分别是h，r，t的嵌入表示，Wr为关系r的转换矩阵；

g(h，r，t)的值越低意味着三元组(h，r，t)的可信度越高；反之，三元组(h，r，t)的可信度越低。

3.如权利要求2所述的基于无采样协作知识图网络的推荐系统，其特征在于，所述无采样知识图卷积模块还包括：注意力组件、信息传播组件和邻域聚合组件；

所述注意力组件设置为通过关系注意力机制来确定所述单层卷积网络的注意力参数π(h，r，t)；

所述信息传播组件设置为根据所述注意力参数π(h，r，t)计算出初始传播矩阵Bi，j＝πn

(hi，r，tj)，对所述初始传播矩阵Bi，j＝π(hi，r，tj)进行幂运算B ，获取实体n跳以内的邻域信息；其中，hi为头实体h的第i个邻居；tj为尾实体t的第j个邻居；

所述邻域聚合组件设置为通过在单个卷积层中使用大小不同的线性聚合器来实现无采样预计算，获得所述三元组的深层次信息。

4.如权利要求1所述的基于无采样协作知识图网络的推荐系统，其特征在于，所述协作传播模块编码用户和项目交互中的协作信号作为用户的初始偏好的方法包括：将用户历史交互中的相关项目集与知识图中的实体对齐，并转换为在知识图中计算的特征集Eu：Eu＝{Ee|(v，e)∈A，v∈{v|yuv＝1}}；其中，A＝{(v，e)|v∈V，e∈E}表示存在映射关系的集合，(v，e)表明项目v可以与知识图中的实体e对齐；yuv为用户反馈参数，yuv＝1表明用户与项目间存在反馈行为，否则yuu＝0；

将用户特征集Eu进行归一化处理，得到：

5.如权利要求1或4所述的基于无采样协作知识图网络的推荐系统，其特征在于，所述协作传播模块编码用户和项目交互中的协作信号作为项目的初始偏好的方法包括：获取与目标项目u交互的用户集合存在交互的其他项目，作为目标项目u的协作项目集Vv， 其中， 为用户反馈参数， 表示用户u和项目vu间存在交互；

将协作项目集Vv与知识图中的实体对齐，得到目标项目v的特征集Ev，Eu＝{Ee|(vu，e)∈A，vu∈Vv}；

将项目的初始集归一化，并加上项目自身对齐实体的特征，得到：