1.一种跨层级图对比学习捆绑商品推荐方法，其特征在于：所述方法包括如下步骤：步骤1、获取商品交易数据集选取T％的数据作为训练数据，(1‑T％)的数据作为测试数据，其中训练数据集包含用户对商品、用户对捆绑包的交互历史以及捆绑包组成关系；

步骤2、从局部角度考虑，根据用户的行为历史，构建用户‑商品交互关系二部图；

步骤3、从全局角度考虑，构建一个用户‑捆绑包‑商品全局结构图；

步骤4、构建局部图编码器，用户‑商品的聚合过程为其中 Wuc为

聚合器的训练参数矩阵， Duc为邻接矩阵Auc的度矩阵， 用户‑捆绑包的聚合过程为 其中

Wub为聚合器的训练参数矩阵， Dub为邻接矩阵Aub的度矩阵， 捆绑包‑商品的聚合过程为

其中 Wbc为

聚合器的训练参数矩阵， Dbc为邻接矩阵Abc的度矩阵，步骤5、构建全局图编码器，用户‑捆绑包‑商品的聚合过程为其中Aglobal为全局图的邻接矩阵，

D为邻接矩阵Aglobal的度矩阵，

步骤6、学习用户与捆绑包的互补信息；

步骤7、学习全局的用户与捆绑包的互补信息；

步骤8、针对表征结果，设计对比损失；对于局部表征，用户对比损失函数为:式中ψ(.,.)＝exp(sim(.,.)/τ)，其中表示余弦相似度函数，τ表示温度系数；捆绑包对比损失函数为:对于全局表征，用户对比损失函数为:

捆绑包的对比损失函数为：

其中， 和 为投影后的局部用户表征， 和 为投影后的局部捆绑包表征， 和 为投影后的全局用户表征， 和 为投影后的全局捆绑包表征；

步骤9、获得用户和捆绑包的局部和全局的表征结果后，通过对用户/捆绑包表征的连接操作，得到最终的用户/捆绑包表征；使用内积操作预测用户对捆绑包的得分，如下所示：其中

步骤10、使用贝叶斯个性化排名损失作为主要损失，具体为：+ ‑

其中，O＝{(u,b,b′)|(u,b)∈O ,(u,b′)∈O }是由可观察的交+ ‑

互O 和未观察到的O 组成的训练数据，σ是sigmod激活函数；最小化目标为式中θ为模型参数集，β和λ分别为控制对比损失和L2正则化项的两个超参数；从而得到最终推荐结果；

训练数据集中的用户集合为U，U＝{u1,u2,…,ui,…,uN}，i∈{1,…,N}，其中ui为第i个用户，N为用户的数量，商品集合为C，C＝{c1,c2,…,cj,…,cM}，j∈{1,…,M}，其中cj为第j个商品，M为商品的数量，捆绑包集合为B，B＝{b1,b2,…,bk,…,bO}，k∈{1,…,O}，其中vj为第j个捆绑包，O为捆绑包的数量；此外，第i个用户的初始化特征向量为 HU为用户集合U的特征矩阵，其中 第j个商品的初始化特征向量为HC为商品集合C的特征矩阵，其中 第k个捆绑包的初 始化特征 向量为 HB为 捆绑包 集合B的 特征矩 阵，其 中其中 皆为随机初始化的编码向量。

2.根据权利要求1所述的方法，其特征在于：在步骤2中，用 表示用户‑商品交互关系二部图，其中 表示图 的节点集，该节点集包含U中的所有用户以及C中的所有商品，并且 包含用户‑商品交互关系二部图中边的集合，二部图中的用户‑商品邻接矩阵为 其中 式中其中 分别表示用户和商品的单位度矩阵；

T

假设每个节点都是自连接的， 代表用户‑商品交互矩阵，X 为X的转置矩阵，其中交互矩阵中元素

3.根据权利要求2所述的方法，其特征在于：在步骤3中，用 表示用户‑捆绑包‑商品全局结构图，其中 表示图 的节点集，该节点集包含U中的所有用户、B中的所有捆绑包以及C中的所有商品，并且 包含用户‑捆绑包‑商品全局结构图中边的集合；三部图中的用户‑捆绑包‑商品邻接矩阵为其中 式中其中 分别表示用户、捆绑包和

商品的单位度矩阵；假设每个节点都是自连接的， 分别代T T T

表用户‑商品交互矩阵、用户‑捆绑包交互矩阵和捆绑包‑商品交互矩阵，X，Y，Z为X，Y，Z的转置矩阵，其中交互矩阵中元素

4.根据权利要求3所述的方法，其特征在于：在步骤6中，首先对局部角度获得的两个用户表征HU1和HU2进行对比学习，然后，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下:式中 和 为投影后的用户表征，其中 为可训练的参数矩阵， 为可训练的参数，σ表示Relu非线性激活函数；对局部角度获得的两个捆绑包表征HB1和HB2进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：式中 和 为投影后的捆绑包表征，其中 为可训练的参数矩阵， 为可训练的参数。

5.根据权利要求4所述的方法，其特征在于：在步骤7中，首先对局部角度获得的两个用户表征HU和 进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下:式中 和 为投影后的用户表征，其中 为可训练的参数矩阵，为可训练的参数，其中 σ表示Relu非线性激活函数；对局部角度获得的两个捆绑包表征HB和 进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下:式中 和 为投影后的捆绑包表征，其中 为可训练的参数矩阵， 为可训练的参数,其中

6.根据权利要求1所述的方法，其特征在于：在步骤2中，根据用户的行为历史，构建用户‑捆绑包交互关系二部图；其中， 表示用户‑捆绑包交互关系二部图，其中表示图 的节点集，该节点集包含U中的所有用户以及B中的所有捆绑包，并且 包含用户‑捆绑包交互图中边的集合；二部图中的用户‑捆绑包邻接矩阵为 其中 式中 其中IU,分别表示用户和捆绑包的单位度矩阵，假设每个节点都是自连接的，T

代表用户‑商品交互矩阵，Y 为Y的转置矩阵，其中交互矩阵中元素

7.根据权利要求1所述的方法，其特征在于：在步骤8中，针对局部增强层级模块，使用InfoNCE损失作为优化目标，并设计了正负样本选择策略，分析步骤7中的局部用户对比损失公式： 对于正样本，只选择一个相同ID的用户，对于负样本，选择K个未交互过的ID，其中K的值为4；对于全局用户对比损失只选择一个相同ID的用户作为正样本，选择K个未交互过的ID作为负样本，其中K的值为4。

8.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1‑7任一项所述方法的步骤。

9.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1‑7任一项所述方法的步骤。