1.一种基于对比学习联合优化的推荐方法，其特征在于，包括：

获取用户和物品的交互数据并基于所述交互数据构建二部图；

构建推荐模型，所述推荐模型包括嵌入层和图编码器，嵌入层分别对二部图中的用户和物品进行嵌入表示，图编码器分别对用户和物品的嵌入表示进行编码获得用户和物品的视图表示；

将二部图输入推荐模型进行对比学习联合优化训练直到满足训练停止条件；

获取训练完成后图编码器输出的物品视图表示和用户视图表示，计算每个用户的用户视图表示与所有物品的物品视图表示的相似度，对相似度进行从高到低排序，向用户推荐排序中的前N个物品，N为正整数。

2.如权利要求1所述的基于对比学习联合优化的推荐方法，其特征在于，在推荐模型的每次训练中，按照预先构建的模型损失函数计算损失，基于所述损失调整推荐模型的参数；

所述模型损失函数与负样本对的余弦相似度正相关，与正样本对的余弦相似度负相关。

3.如权利要求2所述的基于对比学习联合优化的推荐方法，其特征在于，所述模型损失函数为：其中，B表示训练批量，u和i分别表示正样本对中的用户索引和物品索引，zu表示用户u的视图表示，zi表示用户i的视图表示，n和n′分别表示负样本对中两个样本的索引，α表示第一损失权重系数，τ表示温度系数，zn表示用户n的视图表示，zn′表示用户n′的视图表示。

4.如权利要求2所述的基于对比学习联合优化的推荐方法，其特征在于，所述模型损失函数还与用户视图表示的模长分布和物品视图表示的模长分布有关。

5.如权利要求4所述的基于对比学习联合优化的推荐方法，其特征在于，所述模型损失函数为：其中，B表示训练批量，u和i分别表示正样本对中的用户索引和物品索引，zu表示用户u的视图表示，zi表示用户i的视图表示，n和n′分别表示负样本对中两个样本的索引，α表示第一损失权重系数，τ表示温度系数，zn表示用户n的视图表示，zn′表示用户n′的视图表示，β表示第二损失权重系数，||Zu||2表示所有用户视图表示的模长分布，||Zi|||2表示所有物品视图表示的模长分布，Var(||Zu||2)表示求取||Zu||2的方差，Var(||Zi||2)表示求取||Zi||2的方差。

6.一种物品推荐装置，用于实现权利要求1‑5之一所述的基于对比学习联合优化的推荐方法，其特征在于，包括：获取模块，用于获取用户和物品的交互数据；

建图模块，基于所述交互数据构建二部图；

推荐模型构建模块，构建推荐模型，所述推荐模型包括嵌入层和图编码器，嵌入层分别对二部图中的用户和物品进行嵌入表示，图编码器分别对用户和物品的嵌入表示进行编码获得用户和物品的视图表示；

对比学习联合优化训练模块，将二部图输入推荐模型进行对比学习联合优化训练直到满足训练停止条件；

推荐模块，获取训练完成后图编码器输出的物品视图表示和用户视图表示，计算每个用户的用户视图表示与所有物品的物品视图表示的相似度，对相似度进行从高到低排序，向用户推荐排序中的前N个物品，N为正整数。

7.如权利要求6所述的物品推荐装置，其特征在于，对比学习联合优化训练模块在推荐模型的每次训练中，按照预先构建的模型损失函数计算损失，基于所述损失调整推荐模型的参数；

所述模型损失函数与负样本对的余弦相似度正相关，与正样本对的余弦相似度负相关。

8.如权利要求7所述的物品推荐装置，其特征在于，所述损失函数为：

或者，所述模型损失函数为：

其中，B表示训练批量，u和i分别表示正样本对中的用户索引和物品索引，zu表示用户u的视图表示，zi表示用户i的视图表示，n和n′分别表示负样本对中两个样本的索引，α表示第一损失权重系数，τ表示温度系数，zn表示用户n的视图表示，zn′表示用户n′的视图表示，β表示第二损失权重系数，||Zu||2表示所有用户视图表示的模长分布，||Zi||2表示所有物品视图表示的模长分布，Var(||Zu||2)表示求取||Zu||2的方差，Var(||Zi||2)表示求取||Zi||2的方差。

9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的基于对比学习联合优化的推荐方法。

10.一种电子设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求

1至5中任意一项所述的基于对比学习联合优化的推荐方法。