1.一种基于图卷积网络的反事实项目推荐方法，其特征在于，包括以下步骤：S1、采集并预处理点击欺骗的新闻推荐数据和商品推荐数据；

S2、对预处理后的点击欺骗的新闻推荐数据和商品推荐数据进行特征提取，得到特征数据；

S3、对特征数据进行分类，得到分类特征；

S4、提取分类特征中的视频和图片，并采用卷积神经网络将视频和图片数据转换为视觉特征向量；

S5、采用预训练语言表征模型Bert提取分类特征中的文本特征向量；

S6、根据视觉特征向量和文本特征向量，得到项目曝光特征向量和项目内容特征向量；

项目曝光特征h属于展示在推荐条目可以被直接观测到的视觉特征和文本特征，项目内容特征c属于用户点击推荐条目跳转获得的具体视觉特征和文本特征；

所述步骤S6包括以下分步骤：

S61、将视觉特征向量和文本特征向量拼接到项目曝光特征h字符串和项目内容特征c字符串，得到初步项目曝光特征向量和初步项目内容特征向量；

S62、采用项目静态特征λi分别对初步项目曝光特征向量和初步项目内容特征向量进行再次拼接，得到最终的项目曝光特征向量和项目内容特征向量；

S7、根据项目曝光特征向量和项目内容特征向量，采用图卷积网络GCN计算用户项目评分；

所述步骤S7包括以下分步骤：

S71、计算项目曝光特征向量与用户项目曝光特征偏好之间的欧式距离，并将欧式距离作为初始满意度；

S72、根据初始满意度，计算图卷积网络GCN引入满意度后的预测评分误差；

S73、计算加入项目内容特征向量和用户项目内容特征偏好的图卷积网络GCN的预测评分；

S74、根据预测评分误差和加入项目内容特征向量和用户项目内容特征偏好的图卷积网络GCN的预测评分，计算用户项目评分；

所述步骤S72中计算图卷积网络GCN引入满意度后的预测评分误差的公式为：S＝d(h′,m)

Error＝Y′‑Y

′

其中，S为基于项目曝光特征向量h和用户项目曝光特征偏好的满意度，d(,)为欧式距离，h′为项目曝光特征向量，m为用户项目曝光特征偏好，Error为预测评分误差，Y为图卷积网络GCN未引入满意度的预测评分，Y′为图卷积网络GCN引入满意度S后的预测评分；

所述步骤S73中计算加入项目内容特征向量和用户项目内容特征偏好的图卷积网络GCN的预测评分的公式为：*

S＝d([h′,c′],[m,n])

其中，h′为项目曝光特征向量，m为用户项目曝光特征偏好，c′为项目内容特征向量，n*为项目内容特征偏好，S为基于项目曝光特征向量、项目内容特征向量、用户项目曝光特征偏好和项目内容特征偏好的满意度，[,]为拼接符号，d(,)为欧式距离，Y为图卷积网络GCN*未引入满意度的预测评分，Y″为图卷积网络GCN引入满意度S后的预测评分；

所述步骤S74中计算用户项目评分的公式为：Y″′＝Y″‑Error

*

其中，Y″′为用户项目评分，Y″为图卷积网络GCN引入满意度S后的预测评分，Error为预测评分误差；

S8、根据用户项目评分，对卷积神经网络和图卷积网络GCN进行联合训练，得到训练完成的卷积神经网络和图卷积网络GCN；

S9、根据训练完成的卷积神经网络和图卷积网络GCN，生成排序的项目推荐列表。

2.根据权利要求1所述的基于图卷积网络的反事实项目推荐方法，其特征在于，所述步骤S3中特征数据包括：项目特征I；

步骤S3中将项目特征I分为：项目曝光特征h、项目内容特征c和静态特征λ；

所述项目曝光特征h分为：曝光的视频(h,Ivideo)、封面图片(h,Ifig)和封面标题(h,Ichar)；

所述项目内容特征c分为：项目内容的视频(c,Ivideo)、内容图片(c,Ifig)和内容文字(c,Ichar)；

所述静态特征分为λ：项目静态特征λi；

所述曝光的视频(h,Ivideo)和封面图片(h,Ifig)属于视觉特征；

所述封面标题(h,Ichar)和内容文字(c,Ichar)属于文本特征。

3.根据权利要求2所述的基于图卷积网络的反事实项目推荐方法，其特征在于，所述步骤S4包括以下分步骤：S41、提取项目曝光特征h和项目内容特征C中的视频和图片，得到表征视觉特征的图像数据；

S42、对图像数据进行二值化处理，得到像素矩阵；

S43、对像素矩阵进行卷积操作，得到特征图；

S44、对特征图池化处理，得到降低数据量后的特征图；

S45、采用全连接层将降低数据量后的特征图切割成一维向量，得到视觉特征向量。

4.根据权利要求3所述的基于图卷积网络的反事实项目推荐方法，其特征在于，所述步骤S43中特征图的大小表达公式为：*

其中，R 为特征图的大小，R为像素矩阵的大小，q为补零层数，k为卷积核大小，p为移动步幅。

5.根据权利要求3所述的基于图卷积网络的反事实项目推荐方法，其特征在于，所述步骤S45中采用全连接层将降低数据量后的特征图切割成一维向量的公式为：χh‑view＝relu(W*Γ+b)

其中，χh‑view为一维的视觉特征向量，relu()为激活函数，W为全连接层的权重，b为全连接层的偏置，Γ为降低数据量后的特征图。

6.根据权利要求5所述的基于图卷积网络的反事实项目推荐方法，其特征在于，所述步骤S61中将视觉特征向量和文本特征向量进行拼接的公式为：χh＝[χh‑view,χh‑char]

χc＝[χc‑view,χc‑char]

其中，χh‑viex为一维的视觉特征向量，χc‑view为一维的文本特征向量，[,]为拼接符号，χh‑char为项目曝光特征h文本特征，χc‑char为项目内容特征c文本特征，χh为一维的初步项目曝光特征向量，χc为一维的初步项目内容特征向量。

7.根据权利要求6所述的基于图卷积网络的反事实项目推荐方法，其特征在于，所述步骤S62中采用项目静态特征λi分别对初步项目曝光特征向量和初步项目内容特征向量进行再次拼接的公式为：h′＝[χh,λ′]

c′＝[χc,λ′]

其中，λ′为项目静态特征λi的一维向量，[χh,λ′]为将初步项目曝光特征向量χh和项目静态特征λi的一维向量λ′相拼接，[χc,λ′]为将初步项目内容特征向量χc和项目静态特征λi的一维向量λ′相拼接，h′为最终的项目曝光特征向量，c′为最终的项目内容特征向量。