1.一种基于图神经网络的协同过滤推荐系统，其特征在于：包括用户‑项目二部图生成模块、所述多属性嵌入信息生成模块、隐式关系构建模块、数据融合模块和推荐模块。

所述用户‑项目二部图生成模块获取用户对若干待推荐项目的评分，生成用户‑项目二部图g，并传输至多属性嵌入信息生成模块和隐式关系构建模块；

所述多属性嵌入信息生成模块对所述用户‑项目二部图g进行处理，生成用户多属性嵌入信息和项目多属性嵌入信息，并传输至数据融合模块；

所述隐式关系构建模块利用用户‑项目二部图构造用户‑用户及项目‑项目图建模隐式关系信息，并传输至数据融合模块；

所述数据融合模块对用户多属性嵌入信息、项目多属性嵌入信息、隐性关系信息进行融合，得到用户及项目的最终嵌入表示；所述最终嵌入表示传输至推荐模块；

所述推荐模块基于用户及项目的最终嵌入表示计算用户对项目的偏好评级。

2.根据权利要求1所述的一种基于图神经网络的协同过滤推荐系统，其特征在于：将用户对项目的评分建模为用户‑项目二部图 其中，u和 分别代表用户集和待推荐项目集； 和

分别表示用户集和待推荐项目集的特征矩阵；Nu为用户总数；Ni为待推荐项目总数；d表示特征维数；评分集 包含用户对每个已交互项目的评分等级；评分集 R为最高评分等级；ε表示边集合；集合ε中的任意条边e＝(u，i，r)∈ε表示用户u对项目i有明确评分等级r。

3.根据权利要求1所述的一种基于图神经网络的协同过滤推荐系统，其特征在于，所述多属性嵌入信息生成模块生成用户和项目嵌入信息的步骤包括：

1)从用户‑项目二部图中提取M个潜在属性空间；其中，第m个潜在属性空间影响用户‑项目交互中的第m个交互可能性；

2)提取用户潜在属性空间 和项目潜在属性空间其中，用户u的第m个潜在属性空间 和项目i的第m个潜在属性空间 分别如下所示：式中，W＝{W1，W2，…，WM}为用户潜在属性空间变换矩阵；Q＝{Q1，Q2，…，QM}为项目潜在属性空间变换矩阵；m＝1，…，M；uu、pi为用户u、项目i的特征；

3)计算用户u在第m个潜在属性空间下与项目i交互的可能性 即：式中，attnode表示节点级注意力神经网络；

4)利用softmax函数计算权重系数 即：式中，σ表示激活函数；am表示在第m个潜在属性空间下的节点级注意力向量； 为项目集；

5)计算用户u的潜在属性空间集 其中，用户u的第m个潜在属性特征 如下所示：

计算每个潜在属性空间的权重，即：式中， 表示第M个潜在属性空间的权重，attspac表示属性空间级注意力神经网络；

6)计算用户u的本身潜在属性特征和其潜在属性空间的联合嵌入 即：式中，Cm表示权重矩阵；bm表示偏置向量；

计算第m个潜在属性空间的重要性 即：式中，q表示注意力向量；b表示偏置；

归一化计算得到第m个潜在属性空间的权重 即：

7)生成二部图模块的用户嵌入信息zu和项目嵌入信息zi，即：式中， 为项目i第m个潜在属性空间的权重； 为项目i的第m个潜在属性特征。

4.根据权利要求1所述的一种基于图神经网络的协同过滤推荐系统，其特征在于，所述隐式关系构建模块构建隐式关系信息的步骤包括：

1)通过用户‑项目二部图，基于余弦相似度构造用户‑用户图和项目‑项目图来表示相似用户和相似项目，根据多图分别建模用户和项目的隐式关系；

首先计算有相似偏好用户的联合嵌入cu，即：式中，un表示第n个用户；u(n，l)表示与用户un有相似偏好的第l个用户；⊙表示点乘；

2)建立联合嵌入矩阵 即：

式中， 为记忆矩阵；j＝1，...，N；N为不同潜在属性空间中相似用户数量；

3)计算相似用户的注意力权重 即：式中，K表示在不同潜在属性空间中相似用户的注意力关键矩阵；Kj为矩阵K的元素；

4)归一化得到相似用户的注意力权重αj，即：

5)计算关联向量 即：

式中，关联向量 用于表征与用户un有相似偏好的第l个用户对用户un偏好的影响；

6)建立用于确定关联向量权重的深度神经网络，即：式中， 表示关联向量 的权重；

深度神经网络的输入为关联向量，输出为关联向量权重；

关联向量权重 如下所示：

式中，W为模型参数；

7)计算每个有相似偏好用户的影响权重，即：式中，Ln表示所有与用户un有相似偏好的用户；

8)生成隐式关系信息vu，即：

5.根据权利要求1所述的一种基于图神经网络的协同过滤推荐系统，其特征在于，所述数据融合模块所述推荐模块存储有MLP网络；

所述MLP网络的输入为用户关联信息Uu＝[zu||vu]·Au和项目关联信息Ii＝[zi||vi]·Ai，输出为用户u对项目i的偏好等级r′ui；中间参数Au＝softmax(σ(Wa1·zu+Wa2·vu))，Ai＝softmax(σ(Wa1·zi+Wa2·vi))；vu、vi分别为用户、物品的隐式关系信息；Wa1、Wa2为计算系数；

MLP网络输出用户u对项目i的偏好等级r′ui的过程如下所示：g1＝[Uu||Ii]，

g2＝σ(W2·g1+b2)，…

gl＝σ(Wl·gl‑1+bl)，T

r′ui＝w·gl，  (20)式中，l是隐藏层的索引；gl表示隐藏层；w为权值，bl为偏置。

6.根据权利要求1所述的一种基于图神经网络的协同过滤推荐系统，其特征在于，MLP网络的目标函数 如下所示：

式中，训练参数θ＝{W，Q}；；λ和θ表示正则化权重；

其中，函数方程 如下所示：

式中， 表示观察到的偏好等级；rui表示用户u对项目i的真实偏好等级。

7.根据权利要求1所述的一种基于图神经网络的协同过滤推荐系统，其特征在于，所述推荐模块基于用户对项目的偏好等级向用户发送推荐项目信息的方法为：将偏好等级大于阈值ε的项目发送给用户。

8.根据权利要求1所述的一种基于图神经网络的协同过滤推荐系统，其特征在于，还包括存储用户‑项目二部图生成模块、多属性嵌入信息生成模块、隐式关系构建模块、数据融合模块和推荐模块数据的数据库。