1.一种物品推荐数据处理方法，其特征在于，包括如下步骤：

导入待处理数据集，所述待处理数据集包括用户集、物品正样本集和物品负样本集；

构建训练模型，根据所述用户集、所述物品正样本集和所述物品负样本集对所述训练模型进行训练，得到物品推荐模型；

将所述物品负样本集输入至所述物品推荐模型中，根据所述物品推荐模型得到物品推荐结果；

所述用户集包括多个用户数据，所述物品正样本集包括与各个所述用户数据对应的多个物品正样本数据，所述物品负样本集包括与各个所述用户数据对应的多个物品负样本数据；所述构建训练模型，根据所述用户集、所述物品正样本集和所述物品负样本集对所述训练模型进行训练，得到物品推荐模型的过程包括：S21：对每个所述用户数据均进行随机初始化处理，得到与各个所述用户数据对应的用户初始向量；

S22：对每个所述物品正样本数据均进行随机初始化处理，得到与各个所述用户数据对应的多个物品正样本初始向量；

S23：对每个所述物品负样本数据均进行随机初始化处理，得到与各个所述用户数据对应的多个物品负样本初始向量；

S24：分别对各个所述用户初始向量以及与各个所述用户数据对应的多个物品正样本初始向量进行编码，得到与各个所述用户数据对应的第一用户目标向量以及与各个所述用户数据对应的第二用户目标向量；

S25：对所有的第一用户目标向量、所有的第二用户目标向量、所有的物品正样本初始向量以及所有的物品负样本初始向量进行总损失值计算，得到总损失值；

S26：根据所述总损失值对所有的用户初始向量、所有的物品正样本初始向量以及所有的物品负样本初始向量进行参数更新，并返回步骤S24，直至达到预设迭代次数，则执行步骤S27；

S27：筛选所有所述总损失值的最小值，得到最小总损失值，并将所述最小总损失值对应的训练模型作为物品推荐模型；

所述步骤S24的过程包括：

分别对各个所述用户初始向量以及与各个所述用户数据对应的多个物品正样本初始向量进行第一用户目标向量的计算，得到与各个所述用户数据对应的第一用户目标向量；

分别对与各个所述用户数据对应的多个物品正样本初始向量进行随机删除，得到与各个所述用户数据对应的多个删除后物品正样本初始向量；

分别对各个所述用户初始向量以及与各个所述用户数据对应的多个删除后物品正样本初始向量进行第二用户目标向量的计算，得到与各个所述用户数据对应的第二用户目标向量；

所述分别对各个所述用户初始向量以及与各个所述用户数据对应的多个物品正样本初始向量进行第一用户目标向量的计算，得到与各个所述用户数据对应的第一用户目标向量的过程包括：通过第一式分别对各个所述用户初始向量以及与各个所述用户数据对应的多个物品正样本初始向量进行第一用户目标向量的计算，得到与各个所述用户数据对应的第一用户目标向量，第一式为：Eu1＝k·eu+(1‑k)·W1Nu1，

其中，Nu1＝∑i1+W2ei1，

其中，Eu1为第一用户目标向量，k为可训练变量，W1和W2均为可训练的权重矩阵，eu为用户u的用户初始向量，ei1为物品i的物品正样本初始向量，Nu1为与用户u有过交互的所有物品正样本初始向量总和。

2.根据权利要求1所述的物品推荐数据处理方法，其特征在于，所述分别对各个所述用户初始向量以及与各个所述用户数据对应的多个删除后物品正样本初始向量进行第二用户目标向量的计算，得到与各个所述用户数据对应的第二用户目标向量的过程包括：通过第二式分别对各个所述用户初始向量以及与各个所述用户数据对应的多个删除后物品正样本初始向量进行第二用户目标向量的计算，得到与各个所述用户数据对应的第二用户目标向量，所述第二式为：Eu2＝k·eu+(1‑k)·W1Nu2，

其中，Nu2＝∑i2+W2ei2，

其中，Eu2为第二用户目标向量，k为可训练变量，W1和W2均为可训练的权重矩阵，eu为用户u的用户初始向量，ei2为物品i的删除后物品正样本初始向量，Nu2为与用户u有过交互的所有删除后物品正样本初始向量总和。

3.根据权利要求1所述的物品推荐数据处理方法，其特征在于，所述步骤S25的过程包括：通过第三式对所有的第一用户目标向量、所有的第二用户目标向量、所有的物品正样本初始向量以及所有的物品负样本初始向量进行总损失值的计算，得到总损失值，所述第三式为：Loss＝Loss1+w*Loss2，

其中，

其中，Sui＝cos(Eu1，ei1)，Suj＝cos(Eu1，ej)，其中，Loss为总损失值，Loss1为第一损失值，Loss2为第二损失值，w为比重参数，U为用户数据总数，Eu1为用户u的第一用户目标向量，Eu2为用户u的第二用户目标向量，Ev为用户v‑的第一用户目标向量，τ为预设参数，O+为物品正样本数据总数，O为物品负样本数据总数，p和q均为预设阈值，Sui为用户u的第一用户目标向量与物品i的物品正样本初始向量的相似度，ei1为物品i的物品正样本初始向量，Suj为用户u的第一用户目标向量与物品j的物品负样本初始向量的相似度，ej为物品j的物品负样本初始向量，cos()为余弦相似度函数。

4.一种物品推荐数据处理装置，其特征在于，包括：

数据集导入模块，用于导入待处理数据集，所述待处理数据集包括用户集、物品正样本集和物品负样本集；

模型训练模块，用于构建训练模型，根据所述用户集、所述物品正样本集和所述物品负样本集对所述训练模型进行训练，得到物品推荐模型；

物品推荐结果获得模块，用于将所述物品负样本集输入至所述物品推荐模型中，根据所述物品推荐模型得到物品推荐结果；

所述用户集包括多个用户数据，所述物品正样本集包括与各个所述用户数据对应的多个物品正样本数据，所述物品负样本集包括与各个所述用户数据对应的多个物品负样本数据；所述模型训练模块具体用于：对每个所述用户数据均进行随机初始化处理，得到与各个所述用户数据对应的用户初始向量；

对每个所述物品正样本数据均进行随机初始化处理，得到与各个所述用户数据对应的多个物品正样本初始向量；

对每个所述物品负样本数据均进行随机初始化处理，得到与各个所述用户数据对应的多个物品负样本初始向量；

分别对各个所述用户初始向量以及与各个所述用户数据对应的多个物品正样本初始向量进行编码，得到与各个所述用户数据对应的第一用户目标向量以及与各个所述用户数据对应的第二用户目标向量；

对所有的第一用户目标向量、所有的第二用户目标向量、所有的物品正样本初始向量以及所有的物品负样本初始向量进行总损失值计算，得到总损失值；

根据所述总损失值对所有的用户初始向量、所有的物品正样本初始向量以及所有的物品负样本初始向量进行参数更新，并再次对更新后的用户初始向量以及更新后的物品正样本初始向量进行编码，直至达到预设迭代次数，则筛选所有所述总损失值的最小值，得到最小总损失值，并将所述最小总损失值对应的训练模型作为物品推荐模型；

所述模型训练模块中，分别对各个所述用户初始向量以及与各个所述用户数据对应的多个物品正样本初始向量进行编码，得到与各个所述用户数据对应的第一用户目标向量以及与各个所述用户数据对应的第二用户目标向量的过程包括：分别对各个所述用户初始向量以及与各个所述用户数据对应的多个物品正样本初始向量进行第一用户目标向量的计算，得到与各个所述用户数据对应的第一用户目标向量；

分别对与各个所述用户数据对应的多个物品正样本初始向量进行随机删除，得到与各个所述用户数据对应的多个删除后物品正样本初始向量；

分别对各个所述用户初始向量以及与各个所述用户数据对应的多个删除后物品正样本初始向量进行第二用户目标向量的计算，得到与各个所述用户数据对应的第二用户目标向量；

所述模型训练模块中，分别对各个所述用户初始向量以及与各个所述用户数据对应的多个物品正样本初始向量进行第一用户目标向量的计算，得到与各个所述用户数据对应的第一用户目标向量的过程包括：通过第一式分别对各个所述用户初始向量以及与各个所述用户数据对应的多个物品正样本初始向量进行第一用户目标向量的计算，得到与各个所述用户数据对应的第一用户目标向量，第一式为：Eu1＝k·eu+(1‑k)·W1Nu1，

其中，Nu1＝∑i1+W2ei1，

其中，Eu1为第一用户目标向量，k为可训练变量，W1和W2均为可训练的权重矩阵，eu为用户u的用户初始向量，ei1为物品i的物品正样本初始向量，Nu1为与用户u有过交互的所有物品正样本初始向量总和。

5.一种物品推荐数据处理系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，实现如权利要求1至3任一项所述的物品推荐数据处理方法。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至3任一项所述的物品推荐数据处理方法。