1.一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法，其特征在于，包括如下步骤：步骤1：收集企业设备信息E，其中E主要包括仓储设备信息E1、物流设备信息E2和冷藏设备信息E3，获取用户信息U及历史订单信息H；

步骤2：利用收集到的设备信息E和设备之间的关联关系构建企业设备信息知识图谱G，并存储于Neo4j图关系数据库中；

步骤3：对知识图谱G中的信息进行从高维到低维的嵌入操作得到实体和关系的嵌入向量ei和rk；

步骤4：对实体和关系的嵌入向量ei和rk进行特征聚合得到最终实体表示E4＝{e0””,e1””,…,en””}，其中n为实体个数，ej””表示每个设备j的嵌入向量，j为大于等于0小于等于n的整数；

步骤4.1：将实体嵌入向量ei和关系嵌入向量rk通过一个线性变换矩阵W进行变换，得到新的实体向量ei'和关系向量rk'，其计算公式为：ei'＝W*ei,rk'＝W*rk；

步骤4.2：使用注意力机制计算实体i和其邻居实体j在关系k下的注意力系数aijk，其计T算公式为：aijk＝LeakyReLU((ei'*rk)*(ej') )，其中LeakyReLU为激活函数其公式为：LeakyReLU(x)＝max(0,x)+α*min(0,x)，α默认为0.01；

步骤4.3：对每个实体i的所有邻居j在关系k下的注意力系数使用softmax函数进行归一化，其计算公式为：αijk＝exp(aijk)/∑jexp(aijk)；

步骤4.4：计算新的实体表示ei”，将邻居实体j的表示ej'乘以归一化后的注意力系数αijk，并对邻居实体求和：ei”＝Σjαijk*ej'；

步骤4.5：对ei”进行多头注意力处理以增强模型的表达能力：ei”'＝concat(M1*ei”,M2*ei”,...,MK*ei”)，其中Mi是注意力头的权重矩阵，i大于等于1小于等于K的整数；

步骤4.6：将多头注意力后的实体表示ei”'输入到一个多层感知机MLP进行非线性变换，其中，输入部分为多头注意力后的实体表示ei”'，隐藏层由三个全连接层和两个激活层组成，全连接层包含多个神经元，每个神经元与ei”'中的一个元素相连；全连接层后接激活层RELU；激活函数RELU的公式为f(x)＝max(0,x)，输出部分为最终的实体表示E4＝{e0””,e1””,…,en””}，其中n为实体个数；

步骤5：对用户信息U及历史订单信息H进行用户嵌入表示获得用户嵌入向量U'；

步骤5.1：对用户的历史订单信息进行聚合，得到用户的历史订单向量UH，其中，对于每个用户i，用户的历史订单向量UHi的计算方法为： UH＝{UH1,UH2,…UHn}，其中，n表示用户的数量，qij是用户i对设备j的的评分，ej””是产品j对应的设备嵌入向量；

步骤5.2：对用户的历史订单向量UH进行归一化处理，得到用户的嵌入向量U'；每个用户i的嵌入向量Ui'就是将其UHi除以其L2范数即可，其中 U'＝{U1'，U2'，…Un'}，其中，n表示用户的数量；

步骤6：综合考虑用户历史订单信息及设备碳排放量信息，推荐多套高效环保的设备选型方案以满足业务需求的同时最大限度地降低碳排放；

步骤6.1：计算每个设备的嵌入向量ej””与用户i嵌入向量Ui'之间的相似度；

计算相似度的具体方法为：

对于每个设备j，用户i，计算其嵌入向量ej””与用户i嵌入向量Ui'之间的余弦相似度sij；

使用余弦相似度计算公式：

步骤6.2：对于用户i，将其所有可用的设备按照相似度升序排列，得到设备列表L，根据设备类型将设备列表L进行划分得到可用设备列表集合LA，即LA＝{LA0,LA1,…,LAn}，其中n为设备类型数量，LA中的每个元素均是集合；

步骤6.3：对于用户i，对可用设备列表集合LA中的元素进行笛卡尔乘积，获取完整供应链可用集合A＝{A0,A1,…,Am}，其中 为LA中各子集设备数量的乘积，对于每个组合Ai，计算组合Ai的碳排放量Ci和效率fi；

步骤6.4：使用多目标优化加权平均算法在所有计算出的设备组合中，选出碳排放量最低同时效率最高的多套设备组合。

2.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法，其特征在于，所述步骤1的具体方法为：步骤1.1：获取企业设备信息E，其中E主要包括仓储设备信息E1、物流设备信息E2和冷藏设备信息E3，获取用户信息U及历史订单信息H；

步骤1.2：运用数据挖掘知识对获取到的企业设备数据E、用户信息U及历史订单信息H进行数据清洗及数据预处理。

3.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法，其特征在于，所述步骤2的具体方法为：步骤2.1：将预处理后的企业仓储设备信息E1、物流设备信息E2和冷藏设备信息E3整合到一个数据源D1中；

步骤2.2：使用Neo4j图数据库设计知识图谱模型架构G'，定义节点和关系类型；节点类型包括各种冷链物流设备，节点属性包括设备类型、设备属性、设备功耗、效率、环保性；关系类型包括设备之间的相似性、替代性、依赖关系；

步骤2.3：将整合后的数据源信息D1导入知识图谱架构G'中，构建知识图谱G＝(h,r,t)，G＝(h,r,t)表示知识图谱中的头节点h，关系节点r和尾节点t；

步骤2.4：对Neo4j图数据库中的数据进行数据清洗和处理，确保数据的准确性和一致性。

4.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法，其特征在于，所述步骤3的具体方法为：步骤3.1：定义并初始化实体嵌入向量ei和关系嵌入向量rk，其中i表示第i个实体，k表示第k种关系，实体表示知识图谱G中的头节点h与尾节点t，关系表示知识图谱中的关系节点r；

步骤3.2：对知识图谱G中的每一条知识表达即三元组使用对应的实体嵌入向量ei和关系嵌入向量rk表示，将所有知识表达的嵌入表示拼接成G1，构成知识图谱G的整体嵌入表示；

步骤3.3：从实体集合中随机选取与正样本头实体h或尾实体t不同的实体作为负样本并定义为负样本集合G2；

步骤3 .4定义知识图谱三元组(h,r,t)损失函数，损失函数的定义为：其中，G1表示正样本集合，G2表示负样本集合，γ是

常量，d(h+r,t)表示曼哈顿距离，曼哈顿距离计算公式为:

步骤3.5：使用随机梯度下降SGD优化算法对模型参数进行训练，目标是最小化损失函数；

步骤3.6：提取训练完成后实体和关系的嵌入向量ei和rk并将其作为特征进行后续的任务处理。

5.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法，其特征在于，所述步骤6.3计算组合Ai的碳排放量Ci和效率fi，具体为：设fj是设备j的效率，Cj是设备j的碳排放量，则组合Ci的碳排放量和效率fi的计算公式为： 其中， 表示设备组合Ai的碳排放量之和， 表示设备组合Ai的效率乘积。

6.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法，其特征在于，所述步骤6.4中定义效率目标权重ω＝0.5，碳排放量目标的权重1‑ω＝

0.5，即目标函数g(Ai)＝ωFi‑(1‑ω)Ci，选出碳排放量最低同时效率最高的10套设备组合，即g(Ai)较大的10组设备组合作为推荐的设备组合。

7.一种基于碳减排目标的知识图谱驱动冷链物流设备选型装置，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1‑6任一项所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法的步骤。