1.一种融合商品关联关系的商品预测方法，其特征在于：包括以下步骤：S1、通过用户对商品的历史交互记录，确立用户‑商品二部图；

S2、根据用户对商品的历史交互序列，确立商品‑商品同构图；

S3、采用图卷积神经网络和图嵌入算法构建用于特征学习的双塔模型；

S3中，所述双塔模型左侧为基于用户‑商品二部图的图卷积结构，右侧为基于商品‑商品同构网络的图嵌入结构；所述图卷积神经网络采用邻居聚合的方式，所述图嵌入结构采用和二阶相似度的构建方法构建；

S4、对双塔模型进行特征初始化；

S5、采用改进的BPR损失函数对双塔模型进行训练，获取训练后用户和商品节点低维稠密的嵌入表示；

所述改进的BPR损失函数如下所示：

+ ‑ + + ‑ ‑ +

其中，D1＝{(u,i ,i)|(u,i)∈R ,(u,i)∈R}，R表示成对出现的正训练样本即用户‑与商品存在交互行为，R表示成对出现的负训练样本即用户与商品不存在实际交互行为；D2l l+ l+＝{(u ,i )∈R }，表示左侧模型结构得到的正样本用户‑商品入数据对集合，且为正样本；

r r+ r+

同样，D3＝{(u ,i )∈R }表示右侧模型结构得到的正样本用户‑商品嵌入数据对集合，表示左侧结构的用户对正样本的得分， 表示右侧模型结构用户对正样本的得分，通过使得两侧结构在反向传播的过程中相互学习；σ表示Sigmoid函数，λ||Θ|

2 2

|为正则项，其中λ是正则项的可调整参数，||·||是二范数，通过调节参数大小防止过拟合；Θ在本损失函数中实际为用户和商品的初始表示向量，即 其中S6、根据训练后的用户和商品嵌入表示计算用户于测试集商品的得分，并根据得分进行排序，从而对用户进行商品推荐。

2.根据权利要求1所述的一种融合商品关联关系的商品预测方法，其特征在于：S1中，所述用户‑商品二部图的构建是通过每个用户对商品的历史交互序列构建而成，若用户与某商品存在交互行为，则二者之间建立边。

3.根据权利要求1所述的一种融合商品关联关系的商品预测方法，其特征在于：S2中，所述商品‑商品同构图的构建是通过每个用户对商品的历史交互序列构建而成，若用户对商品的历史交互序列中连续的两个商品被交互的时间间隔小于时间阈值Δt，则在商品‑商品同构图中二者之间存在边，该边的权重为遍历所有用户的历史交互序列后符合上述时间条件的商品对个数的加和。

4.根据权利要求1所述的一种融合商品关联关系的商品预测方法，其特征在于：所述二阶相似度构建方法具体包括以下步骤：B1、假设商品节点i1、i2之间存在边e＝(i1,i2)，i1(i2)作为中心节点的向量为 作为上下文节点的向量为 定义在以i1为中心节点的情况下生成上下文节点i2的概率如下式：其中，|V|表示网络中节点个数，因此，节点i1的其它上下文节点的分布概率可以表示为p2(·|i1)；

B2、商品节点i1、i2之间同样存在经验分布概率如下式：其中， 为边e＝(i1,i2)的权重，N(i1)表示以i1为中心节点时其上下文节点集合，即节点i1的邻居节点集合；

B3、使条件分布逼近经验分布，引入KL散度来刻画条件分布和经验分布之间的距离，并采用节点的度dj来表示该节点在网络中的权重，得到二阶相似度训练模型目标函数如下所示：B4、通过消除无影响参数化简得到以下公式，并通过最小化该公式获得低维稠密的商品嵌入表示：

5.根据权利要求1所述的一种融合商品关联关系的商品预测方法，其特征在于：所述改进的BPR损失函数为在传统BPR损失函数的基础上，采用同步蒸馏的方式，让权重相互独立的左侧模型和右侧模型相互学习，达到进一步优化模型的目的。

6.根据权利要求1所述的一种融合商品关联关系的商品预测方法，其特征在于：S6具体包括以下步骤：S6.1嵌入连接层通过将双塔模型结构得到的两组用户嵌入表示和商品嵌入表示进行拼接操作得到最终得用户和商品的嵌入矩阵表示，如下式所示：S6.2计算用户和商品之间的相似度评分；

用户ui与商品ij之间的相似度得分如下式所示：

其中， 和 分别表示用户ui与商品ij最终嵌入表示；

S6.3针对每个用户，选取对测试集所有商品的得分排序后的前k个商品进行推荐。