1.一种基于共识偏好及个性化偏好的物品推荐方法，其特征在于，包括以下步骤：(1)构建表征构造模型CF的训练样本集LCF、推荐模型UPN的训练样本集LUPN和测试样本集Ltest；

(2)构建表征构造模型CF：

构建包括顺次连接的嵌入层、层组合模块和预测层，以及图卷积模块的表征构造模型CF，图卷积模块包括顺次连接的H个图卷积神经网络GCN，嵌入层的输出还与第一个图卷积神经网络GCN1的输入相连，层组合模块的输入还与每个图卷积神经网络的输出相连，其中H≥1；

(3)初始化参数：

初始化迭代次数为t，最大迭代次数为T，T＞1000，表征构造模型CF嵌入层的参数 的值为服从标准正态分布的随机数，并令t＝0；

(4)对表征构造模型CF进行训练：

将训练样本集LCF作为表征构造模型CF的输入进行前向传播，得到每个用户um与两个物品in1、in2交互的概率值(5)获取训练好的表征构造模型：

采用BPR损失函数，并通过概率值 计算表征构造模型CF的损失值LBPR，然后通过LBPR对嵌入层参数 的偏导 对 进行更新，得到本次迭代的推荐模型CFt，最后判*断t＞T是否成立，若是，得到训练好的表征构造模型CF，否则，令t＝t+1，CF＝CFt，并执行步骤(4)；

(6)构建共识偏好及个性化偏好拟合推荐模型UPN：*

构建包括训练好的表征构造模型CF中的嵌入层，以及与其顺序连接的包括K个全连接网络的全连接模块，损失函数 为正例拟合损失函数的共识偏好及个性化偏好拟合推荐模型UPN，其中：其中， 为物品in的交互向量的第m个元素， 为UPN输出物品交互预测向量的第m个元素， 为物品in的负例掩码，K≥2，rand为[0,1]区间内的随机数，γ表示UPN的推荐偏好度， 表示物品in的曝光度，即交互in的用户数占用户总数的比例。

(7)初始化参数：

初始化迭代次数为t，最大迭代次数为T，T＞1000，共识偏好及个性化偏好拟合推荐模型UPN第k个全连接网络的权值 偏置 为服从标准正态分布的随机数，UPN的推荐偏好度γ，学习率为lr，并令t＝0，UPNt＝UPN；

(8)对共识偏好及个性化偏好拟合推荐模型UPN进行训练：将训练样本集LUPN作为共识偏好及个性化偏好拟合推荐模型UPN的输入进行前向传播，得到单个物品in与所有用户的交互预测向量(9)获取训练好的共识偏好及个性化偏好拟合推荐模型UPN：采用正例拟合损失函数 并通过交互预测向量 与UPN的训练样本集LUPN样本中的计算推荐模型UPN的损失值 然后通过 对UPN模型参数的偏导 对进行更新，得到本次迭代的推荐模型CFt，最后判断t＞T是否成立，若是，得到训*练好的推荐模型UPN，否则，令t＝t+1，UPNt+1＝UPNt，并执行步骤(8)；

(10)获取物品推荐结果：

*

将测试样本集Ltest作为训练好的共识偏好及个性化偏好拟合推荐模型UPN的输入进行前向传播，得到物品in与所有用户的交互预测向量 其中 的第m个元素 为用户um与物品in的交互预测概率将用户um与所有未交互过的物品的交互概率进行由大到小的排序，其中前Topk个物品即为用户um推荐的物品。

2.根据权利要求1所述的方法，其特征在于，步骤(1)所述的构建表征构造模型CF的训练样本集LCF、推荐模型UPN的训练样本集LUPN和测试样本集Ltest，实现步骤为：(1a)获取M个用户U＝{u1,...,um,...,uM}中每个用户um与N个物品中I＝{i1,...,in,...,iN}部分物品交互的 条用户交互信息 并将所有用户的交互信息组成总交互信息集 其中，M＞0，N＞0，um表示第m个用户，in表示第n个物品，lmd表示用户um与物品 的交互信息，(1b)通过总交互信息集L中半数以上的元素构成的交互信息集L1构建矩阵形式的用户‑物品二部图 并将集合作为表征构造模型CF的训练样本集，其中R为第m行第n列元素为rm,n的交互矩阵，TR表示R的转置结果，当(um,in)∈L1时，rm,n＝1，当 时，rm,n＝0； 表示A的归一化‑1/2结果， 为度对角矩阵，D 为D的算术平方根的逆，D内第k行的对角线元素dkk为A的第k行的非零元素个数；

(1c)将通过L1构造的集合 作为推荐模型UPN的训练样本集，并将除L1以外的交互信息作为推荐模型UPN的测试样本集Ltest，其中表示物品in的交互向量。

3.根据权利要求1所述的方法，其特征在于，步骤(4)所述的对表征构造模型CF进行训练，实现步骤为：(4a)嵌入层对所有用户与物品进行编码，得到用户um的原始表征向量 和物品in的原始表征向量 其中S为表征向量的维度；

(0)

(4b)图卷积模块中的第一个图卷积神经网络GCN1对 与 组成的原始表征矩阵E(1)与训练样本中的归一化用户‑物品二部图 进行卷积，得到表征矩阵E ，每个图卷积神经(h‑1) (h) (h)网络GCNh对E 与 进行卷积，得到表征矩阵E ，其中，E 中的用户um的表征向量为物品in的表征向量为 其中：(4c)层组合模块对 与每个图神经网络的输出 进行层组合，得到用户um与物品in的最终表征向量

(h)

其中，αh为层组合模块加权求和时E 中用户或物品的表征向量的权重；

(4d)预测层对 和 分别进行内积，得到每个用户um与两个物品in1、in2交互的概率值其中， 为 的转置。

4.根据权利要求1所述的方法，其特征在于，步骤(5)所述的表征构造模型CF的损失值LBPR、 更新的公式分别为：2

其中 为用户um的交互过的物品的集合，λ为权重系数，‖·‖表示2‑范数操作， 为CF模型参数更新结果，lr为学习率。

5.根据权利要求1所述的方法，其特征在于，步骤(8)所述的对共识偏好及个性化偏好拟合推荐模型UPN进行训练，实现步骤为：嵌入层对训练样本中的in进行映射，得到物品表征向量 全连接模块中的 在K个全连接网络依次进行特征映射，最终得到单个物品in与所有用户的交互预测向量 其中第K个全连接网络的表达式为：(k+1) (k) (k) (k)

x ＝Sigmoid(W x +b )

其中，Sigmoid(·)为Sigmoid非线性激活函数，k＝0时， k＝K时， 此外(k)

的x 均为第k个全连接网络的输出。

6.根据权利要求1所述的方法，其特征在于，步骤(9)所述的对 进行更新，更新公式为：其中 分别为 的更新结果。