1.一种基于动态兴趣和知识图谱的冷链物流车源推荐方法，其特征在于，包括如下步骤：步骤1：对冷链物流车源信息进行清洗和整理，定义冷链物流车源知识图谱框架，构建所需知识图谱G；

步骤2：采用注意力机制对货主的历史车源信息进行融合，将融合获得的特征向量作为货主长期兴趣表示ul，并通过兴趣传播算法挖掘货主层级兴趣表示，将多层兴趣表示作为货主短期兴趣表示us，融合货主短期兴趣表示us与货主长期兴趣表示ul得到货主动态兴趣表示od；

获取货主长期兴趣表示的具体方法为：

步骤2.1：获取完整的货主历史车源集合H＝{v1,v2,...,vn}；

步骤2.2：初始化历史车源向量vi和候选车源向量v；

步骤2.3：定义循环变量i，赋初始值为1，定义货主的长期兴趣表示为ul；

步骤2.4：若i≤len(H)则进入步骤2.5，否则跳转到步骤2.10；

步骤2.5：将历史车源向量vi和候选车源向量v拼接，输入到注意力网络中得到注意力权重a′i，其中a′i＝σ(Wa[vi,v]+ba)，Wa为训练权重，ba为偏置向量；

步骤2.6：通过softmax函数归一化得到融合权重ai，其中步骤2.7：根据融合权重ai和历史车源向量vi的乘积得到当前车源融合向量Ci；

步骤2.8：ul＝ul+Ci；

步骤2.9：i＝i+1，跳转到步骤2.4；

步骤2.10：结束循环，得到最终的货主长期兴趣表示ul；

获取货主短期兴趣表示的步骤包括：

步骤2.11：通过货主交互序列中筛选最近交互的K个车源；

步骤2.12：定义循环变量i2，初始赋值为1，定义传播层数，值为h；

步骤2.13：以K个车源作为知识图谱种子集

步骤2.14：若i2≤h则进入步骤2.15，否则跳转到步骤2.20；

步骤2.15：根据实体传播方式获得货主u的i2层邻居节点集合步骤2.16：货主u的i2层的兴趣集合为 其中h∈E，t∈E，r∈R分别表示三元组的头实体、尾实体和实体间的关系，E和R分别表示知识图谱G中的实体和关系集合；

步骤2.17：通过计算候选车源向量v与兴趣集合 中头实体hi在关系空间ri下相关性得到层内融合权重 其中 和 为关系ri、头实体hi和候选车源向量v的嵌入表示；

步骤2.18：将兴趣集合中的尾实体向量表示进行加权得到i2层货主兴趣表示 其中步骤2.19：i2＝i2+1，跳转到步骤2.14；

步骤2.20：结束循环，得到货主的短期兴趣集合步骤2.21：定义循环变量i3，初始赋值为1，定义货主短期兴趣表示us；

步骤2.22：若i3≤len(O1)则进入步骤2.23，否则跳转到步骤2.28；

步骤2.23：货主的短期兴趣集合O1中的向量表示 和候选车源向量v输入到注意力网络中计算注意力权重 其中 Wh为训练权重，bh为偏置向量；

步骤2.24：通过softmax函数归一化得到融合权重 其中步骤2.25：根据融合权重 和货主的短期兴趣集合中的向量表示 的乘积得到当前货主兴趣融合向量步骤2.26：

步骤2.27：i3＝i3+1，跳转到步骤2.22；

步骤2.28：结束循环，得到最终的货主短期兴趣表示us；

融合货主短期兴趣表示us与货主长期兴趣表示ul得到货主动态兴趣表示od的具体操作为：将货主的长期兴趣表示ul和短期兴趣表示us输入到全连接神经网络中，获得货主的动态兴趣表示od＝Wb[ul,us]，其中Wb为训练权重；

步骤3：通过图卷积神经网络挖掘知识图谱高阶结构信息得到车源特征表示vu；

步骤3.1：使用图卷积神经网络提取车源特征，输入货主动态兴趣表示od；

步骤3.2：定义循环变量i4，初始赋值为1，定义v0为候选车源向量v的初始特征向量，设置聚合层数为Q层；

步骤3.3：若i4≤Q则进入步骤3.4，否则跳转到步骤3.12；

步骤3.4：定义循环变量i5，初始赋值为1，定义N(v)为实体的邻居集合，集合长度为M；

步骤3.5：若i5≤M则进入步骤3.6，否则跳转到步骤3.8；

步骤3.6：根据实体间的关系r与货主动态兴趣表示od计算货主对关系的偏好程度，计算公式为步骤3.7：i5＝i5+1，跳转到步骤3.5；

步骤3.8：结束循环，并通过归一化处理得到不同实体的融合权重 计算公式为步骤3.9：利用邻居信息的线性组合来获取节点的邻域信息 计算公式为步骤3.10：聚合当前车源嵌入表示和邻域信息得到新的车源嵌入表示，计算公式为其中Wc表示可学习的权重，bc表示偏置向量，σ表示激活函数；

步骤3.11：i4＝i4+1，跳转到步骤3.3；

步骤3.12：结束循环，得到最终的车源特征表示vu，其中vu＝vQ；

步骤4：根据货主动态兴趣表示od和车源特征表示vu的内积实现冷链物流车源推荐。

2.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法，其特征在于，所述步骤1的具体方法为：步骤1.1：根据无车承运平台车源数据分析冷链物流车源知识图谱中的实体，有：车牌号、车型、载重、制冷能力和地区，不同的实体类之间存在关系，关系类别定义为关系指向实体的类别；

步骤1.2：从无车承运平台数据库中抽取车源数据，根据预先定义好的实体分类得到实体表以及关系表，存入数据库；

步骤1.3：根据数据库中的冷链物流车源实体和关系并通过图形数据库Neo4j构建冷链物流车源知识图谱G，冷链物流车源知识图谱G由三元组(h,r,t)组成，其中h∈E，t∈E，r∈R分别表示三元组的头实体、尾实体和实体间的关系，E和R分别表示知识图谱G中的实体和关系集合。

3.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法，其特征在于，所述步骤4的具体方法为：步骤4.1：将最终的货主动态兴趣表示od和最终的车源特征表示vu进行内积来预测货主和车源的交互概率步骤4.2：通过损失函数

更新模型参数，优化模型，其中第一项为交叉熵损失，第二项是知识图谱嵌入单元损失，λ1是损失值参数，第三项为正则化损失，λ2是正则化参数。

4.一种基于动态兴趣和知识图谱的冷链物流车源推荐装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时执行权利要求1‑3任一项所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法的步骤。