1.一种基于图神经网络的融合知识与协同信息的推荐方法，其特征在于：包括以下步骤：S1、初始化用户嵌入向量、物品嵌入向量、知识图谱中非物品实体嵌入向量和知识图谱中关系嵌入向量；

S2、在信息传播层经过知识信息图神经网络得到包含知识信息的物品嵌入向量和用户嵌入向量；

S3、在信息传播层经过协同信息图神经网络得到包含协同信息的物品嵌入向量和用户嵌入向量；

S4、在信息融合层计算得到融合后的用户和物品嵌入向量；

S5、计算得到所有正负样本的预测偏好得分；

S6、构造推荐方法的损失函数，并计算损失；

S7、使用Adam优化算法及设置的学习率δ进行模型参数更新；

S8、计算用户所有未交互物品的预测偏好得分，并排序输出前K个物品；

S9、通过前K个物品的召回率与归一化折损累计增益两个指标进行推荐方法的评估。

2.根据权利要求1所述的一种基于图神经网络的融合知识与协同信息的推荐方法，其特征在于：S2具体包括以下步骤：S21、在信息传播层经过知识信息图神经网络得到包含知识信息的物品嵌入向量ei,公式如下：其中，⊙是哈达玛积， 是物品的用户邻居集合，ev是知识图谱中非物品实体嵌入向量，er是知识图谱中关系嵌入向量；r代表关系；KG代表知识信息；k代表图神经网络的阶数；

i代表物品；v代表实体； 代表包含知识信息的k+1阶图神经网络输出的物品表示向量；

S22、在信息传播层经过知识信息图神经网络得到包含知识信息的用户嵌入向量eu，公式如下：其中， 是用户的物品邻居集合；u代表用户。

3.根据权利要求1所述的一种基于图神经网络的融合知识与协同信息的推荐方法，其特征在于：S3具体包括以下步骤：S31、在信息传播层经过协同信息图神经网络得到包含协同信息的物品嵌入向量，公式如下：其中，UI代表协同信息； 表示包含协同信息的k+1阶物品表示向量；

S32、在信息传播层经过协同信息图神经网络得到包含协同信息的物品嵌入向量，公式如下：其中， 表示包含协同信息的k+1阶用户表示向量。

4.根据权利要求1所述的一种基于图神经网络的融合知识与协同信息的推荐方法，其特征在于：S4具体包括以下步骤：S41、在信息融合层计算得到融合后的各层用户嵌入向量；

S41具体包括以下步骤：

S411、计算知识信息的注意力权重，公式如下：其中，α()代表注意力函数； 表示k+1阶图神经网络输出的用户表示向量；exp()代表指数函数运算；

S412、计算协同信息的注意力权重，公式如下：S413、计算融合后的各层用户嵌入向量，公式如下：S42、在信息融合层计算得到融合后的各层物品嵌入向量；

S42具体包括以下步骤：

S421、计算知识信息的注意力权重，公式如下：其中， 代表k+1阶图神经网络输出的物品表示向量；

S422、计算协同信息的注意力权重，公式如下：S423、计算融合后的各层物品嵌入向量，公式如下：S43、在信息融合层计算得到各层相加的用户嵌入向量，公式如下：其中， 表示最终的用户表示向量；

S44、在信息融合层计算得到各层相加的物品嵌入向量，公式如下：其中， 表示最终的物品表示向量。

5.根据权利要求1所述的一种基于图神经网络的融合知识与协同信息的推荐方法，其特征在于：S5具体包括以下步骤：S51、计算正样本的偏好得分，公式如下：其中，T代表向量转置运算； 表示模型输出的用户u对物品i的偏好得分；

S52、计算负样本的偏好得分；

S52具体包括以下步骤：

S521、随机选取用户未交互的物品构成负样本；

S522、计算负样本的偏好得分，公式如下：

6.根据权利要求1所述的一种基于图神经网络的融合知识与协同信息的推荐方法，其特征在于：S6具体包括以下步骤：S61、构造计算BPR损失，公式如下：其中， 表示BPR损失；O代表样本集；σ是sigmoid函数；ln为以e为底的对数函数；

S62、构造计算整体损失，公式如下：其中， 是最终的损失；λ1是正则化系数；Θ是模型的所有可训练参数。

7.根据权利要求1所述的一种基于图神经网络的融合知识与协同信息的推荐方法，其特征在于：S9具体包括以下步骤：S91、计算召回率Recall@K，公式如下：其中，TP为物品被推荐，同时用户也交互过，表示推荐的正好是用户喜欢的；FN为物品没有被推荐，但是用户交互过，表示没有识别到用户喜欢的；

S92、计算归一化折损累计增益NDCG@K，公式如下：其中，r(i)是指推荐列表中位置i的物品的相关性分数，IDCG@K为理想的折损累计增益，即推荐列表中的物品均是用户实际交互的物品。

8.根据权利要求1或7任一项所述的一种基于图神经网络的融合知识与协同信息的推荐方法，其特征在于：K的取值为20。