1.一种基于关系图卷积神经网络的图对比学习推荐方法，其特征在于，包括以下步骤：S1，获得三元组嵌入表示：获取异构知识图中的实体、交互关系信息，将获取的信息转化为实体嵌入表示和项目关系嵌入表示以及知识图谱边的信息，进行联合学习；将实体和项目关系嵌入的过程中，考虑相邻实体对当前嵌入表示的影响，将相邻实体间的关联性作为实体和项目嵌入表示的参考，优先选择关联性更高的实体和项目关系作为三元组信息的嵌入表示；最后依据异构相互注意力机制，把与其相关的上下文表示信息放入已经构建好的特定表示的矩阵中，使用基于图的方法探索关联性信息并提取三元组嵌入表示；

S2，对所述三元组嵌入表示进行聚合增强：首先，对每个三元组嵌入表示通过一个高阶池化层，获取重要特征信息，再使用三层卷积神经网络，对每个张量的特征进行增强，每一个张量都是实体‑项目的多关系表示，聚合所有的张量特征值，然后再进行TransE训练，从而得到优化后的三元组嵌入表示；

S3，采用关系图卷积网络层，用于将已经存储不同关系的实体‑项目嵌入表示转化为对应张量进行聚合增强，对知识图获取的特征信息进行自适应的特征优化；对不同关系的实体和项目的嵌入表示进行转化；先将基于头索引的实体嵌入表示和基于尾索引的实体嵌入表示从第三维度进行拼接，获得实体嵌入表示的三维张量u'，关联性高的用较高分数标记，经过高阶池化和注意力增强机制，有效地学习当前实体和项目范围内的特征信息，根据标记分数的不同，收集实体与项目关联度高的特征，从而得到最终的增强实体嵌入表示；

S4，跨视图学习过程中，采用最终的增强实体嵌入表示作为超图神经网络输入，通过超图神经网络聚合两个视图信息，从而获得最终的增强嵌入表示张量α；然后使用图对比学习方法来增强三元组嵌入表示中的交互信息，扩大选择视图的感受野，增强不同实体和项目关系的关联性表示；

S5，导出多个增强结构子视图，对于导出的多个增强结构子视图，使用不同增强知识图的相似性分数，判断不同子视图的噪声占有程度，选择相似性分数高的高质量知识图，从而提取高质量知识图上的三元组信息，获得最终推荐的项目。

2.根据权利要求1所述的一种基于关系图卷积神经网络的图对比学习推荐方法，其特征在于，其中，将实体和项目关系嵌入的过程中，考虑相邻实体对当前嵌入表示的影响，将相邻实体间的关联性作为实体和项目嵌入表示的参考，优先选择关联性更高的实体和项目关系作为三元组信息的嵌入表示；然后依据异构相互注意力机制，把与其相关的上下文表示信息放入已经构建好的特定表示的矩阵中，使用基于图的方法探索关联性信息r并提取三元组嵌入表示，包括：设置所用到的知识图谱为Gk，嵌入信息q(e,r,i)作为不同类型的不同头部实体e和项目i的关系嵌入表示，实体嵌入li的表达式如下：其中，le、li分别表示嵌入的实体和项目；

设定特定参数的权重矩阵W，合并不同关系的信息，使用LeakyReLU函数进行激活，得到三元组嵌入表示：其中，(li||le)表示对li、le进行向量拼接；

表示当前实体的相邻实体；

r表示实体与项目交互关系的矩阵。

3.根据权利要求1所述的一种基于关系图卷积神经网络的图对比学习推荐方法，其特征在于，在TransE训练的过程中，通过损失函数优化嵌入表示，其中损失函数的表达式如下：表示二元交叉熵损失函数；

w表示三元组信息；

b表示实际标签，为0或1；

σ()表示softmax激活函数；

H表示经过知识图增强评分函数计算后的神经网络的输出；

或者，将聚合增强之后的实体和项目嵌入表示标记分数，使用二元交叉熵损失函数优化得分函数的评分来选取重要性特征向量为正样本数据；正样本数据的评分为1，负样本的数据则用知识图中分数为0的三元组信息w，对嵌入表示q(e,r,i)进行补充，以此来进行损失的计算，更新嵌入信息不断传递到下一层；此时的损失函数为多个损失，表达式如下：其中， 表示以当前实体为中心计算的损失函数；

表示是以当前项目为中心计算的损失函数；

F(·)表示基于L1的正则化方法；

le表示嵌入的实体表示；

Gk表示含有实体与项目交互信息的知识图。

4.根据权利要求1所述的一种基于关系图卷积神经网络的图对比学习推荐方法，其特征在于，所述高阶池化和注意力增强机制采用的是两种不同的高阶池化方法和注意力机制增强，包括：分别对所得三维嵌入张量进行注意力增强操作，得到的两个输出u1和u2，放到关系图卷积层中相似性计算函数T(·)，乘以权重W'，同样使用LeakyReLU激活函数进，非线性变换，获得含有重要特征向量的实体和项目表示张量，两者取和后，返回最终的增强实体嵌入表*示u：

*

u＝LeakyReLU(T(u1,u')·W')+LeakyReLU(T(u2,u')·W')    (5)其中，T(·)为关系图卷积层中相似性计算函数；

u'为实体嵌入表示的三维张量；

W'表示权重；

u1和u2为两个输出；

LeakyReLU()表示LeakyReLU激活函数。

5.根据权利要求1所述的一种基于关系图卷积神经网络的图对比学习推荐方法，其特征在于，在超图神经网络聚合两个视图信息的过程中，构建了两个矩阵De、Dr，De用来表示同一视图内不同实体之间的关系强度的对角矩阵，Dr用来表示不同视图之间实体的关联强度的对角矩阵；用于捕捉实体之间的关系和关联信息：αi＝αi‑1+σ(W1·αi‑1·Bi+ai)    (6)其中，W1表示特定参数的权重矩阵；

αi表示第i层筛选过后的特定三元组信息；

αi‑1表示第i‑1层筛选过后的特定三元组信息；

E是维度为关系数量和实体数量的实体和关系的关联矩阵；

T

E是E的转置；

ai是超图神经网络第i层的偏置向量；

σ是激活函数；

Bi是超图神经网络第i层的变换矩阵。

6.根据权利要求1所述的一种基于关系图卷积神经网络的图对比学习推荐方法，其特征在于，在超图神经网络聚合两个视图信息的过程中，还包括：对最终的增强嵌入表示张量α进行正则化，得到α′；然后构建了一个概率为p三维矩阵Z∈{0,1}，用来选择正则化后的已经增强的嵌入表示α′，而获取多个增强视图Gk'：Gk'＝α′⊙Z    (7)

⊙表示矩阵运算中的Hadamard乘积。

7.根据权利要求1所述的一种基于关系图卷积神经网络的图对比学习推荐方法，其特征在于，相似性分数的计算公式如下：xi＝d((||αi‑Gk1||),(||αi‑Gk2||))    (8)其中，|| ||表示范数；

d(·)表示余弦相似度；

Gk1和Gk2表示两个增强视图；

αi表示第i层筛选过后的特定三元组信息。

8.根据权利要求1所述的一种基于关系图卷积神经网络的图对比学习推荐方法，其特征在于，所述提取高质量知识图上的三元组信息包括：使用不同增强知识图间的相似性分数计算知识图中不同用户u和项目i的影响力因子vu,i，设定了一个关系弃用率cu,i，计算当前知识图影响力因子占最大影响力的比例vu,i'：vu,i＝exp(xi)    (9)

cu,i＝Θ·μ·vu,i'    (11)其中，xi是相似性分数；

μ是vu,i'的均值；

vmax是最大影响力；

Θ是控制均值影响程度的超参数。

9.根据权利要求1所述的一种基于关系图卷积神经网络的图对比学习推荐方法，其特征在于，所述图对比学习方法中的损失函数为多重自适应对比损失，包括：使用嵌入视图Gk'的增强方法和用户交互图的增强因子η，(Gk1,η)和(Gk2,η)对用户或项目交互编码表示进行增强，得到对于不同增强视图的最终的用户和项目表示(zu,zi)和(zu',zi')，其中两种视图相同的用户和项目表示定义为正样本，不同的用户和项目表示定义为负样本，视图对比损失如下：其中u、i分别表示用户和项目；

Mu表示当前用户的邻居节点的集合；

Mi表示当前项目的邻居节点的集合；

τ为硬负采样强度；

s(·)表示余弦函数；

s(zu,zi)表示计算用户和项目表示正样本的相似度；

s(zu',zi')表示计算用户和项目表示负样本的相似度；

损失函数中以 表示所有用户的集合，pu,i使用用户与项目之间的特征向量的点积来辅助计算 未交互项作为负采样，计算基于BPR的视图对比损失，使用标准的交叉熵损失函数的计算方法进行计算：其中， 表示视图对比损失；

σ是激活函数；

pu,i为用户u和项目i交互估计的概率，i表示与用户u交互过的项目；

pu,i'为用户u和项目i'交互估计的概率，i'表示没有与用户u交互过的项目；

在此基础上，引入一个自适应对比损失，使用硬负样本监督对比学习方法重新对样本进行采样分类，构建了一种基于硬负样本监督对比学习方法的自适应对比损失，使用负采样方法和标签信息来提升学习性能，将其视图对比损失结合；在原有正样本y的基础上重新+ ‑采样正样本y，负样本为y，给定正标签即正样本的索引信息，使用余弦相似度计算样本矩阵和样本转置矩阵的相似性；

其中， 表示样本矩阵和样本转置矩阵的相似性；

表示负样本范围；

表示筛选得到的被错误分类为正样本的负样本集合；

表示所有满足选取条件的负样本集合；

‑

y表示负样本；

y表示原有正样本；

表示映射函数；

β为超参数；

τ表示硬负采样中的的采样深度；

‑

选择函数 当样本y 属于样本集合时，等于样本占总样本的密度，若样本不属于样本集合则等于0，负样本选取方式设定为 计算负样本概率密度；采用表示对比学习的损失函数衡量正负样本差异：其中， 是映射函数，将原样本映射到向量空间；

表示基于正样本概率密度的期望和基于负样本概率密度的期望；

+

exp(s(y,y))表示正样本与样本的相似度；

是负样本与样本相似度的平均值；

最终的自适应对比损失为

其中 表示属于 类别的负样本表示概率的期望值；

因此，重自适应对比损失的表达式为：

其中， 表示基于BPR的视图对比损失；

λ1、λ2均表示权重因子，调整损失函数的强度；

表示视图对比损失；

||ω||表示ω的范数，ω表示模型的可学习参数；

表示自适应对比损失。