1.一种基于暂退法与去噪技术的图对比学习推荐方法，其特征在于，包括以下步骤：S1、数据预处理，将yelp2018数据集处理成用户、商品和评价星级的交互数据文件；

S2、视图生成，通过用户与商品的交互数据集构建用户‑商品二分图，并分别使用暂退法和去噪技术生成新的第一视图与第二视图；

S3、视图学习，使用多层GCN分别学习第一视图和第二视图的嵌入表示；

S4、训练损失，使用BPR贝叶斯个性化排序损失函数和对比学习损失函数InfoNCE信息对比估计进行联合训练，反向传播以更新模型参数，优化模型效果；

S5、预测，将第一视图和第二视图的嵌入表示相加，通过softmax函数获得预测结果；

S6、性能评估，计算模型Recall召回率和NDCG归一化折损累计增益来校验模型性能；

所述步骤S1包括以下步骤：

S101、数据集收集：收集开源网站数据集yelp2018，并筛选出用户id、商品id和评价星级数据；

S102、数据预处理：对筛选出的数据进行清洗，处理缺失值、重复值、异常值；

S103、数据集划分：将预处理好的数据按照7：1：2的比例划分为训练集、验证集和测试集；

所述步骤S2包括以下步骤：

S201、根据用户与商品的交互数据构建成用户‑商品二分图，并生成对应的邻接矩阵；

S202、在用户‑商品二分图上进行暂退法构成新的第一视图，即使用边暂退法以概率ρ丢弃二分图的边，生成新的视图，其公式为：Adropout(g)＝(V，Mε⊙ε)    (1)|ε|

其中，Mε∈{0，1} 是边集ε上的掩码向量，⊙表示逐元素乘积；

S203、在用户‑商品二分图上进行去噪技术构成新的第二视图，即使用去噪层来去除噪声边；使用一个具有去噪层的GCN来滤除输入图中的噪声边；对于第l层GCN，使用二进制矩l |V|×|V|阵M∈0,1 ，矩阵中 表示节点ui和vj之间的边是否存在噪声，0表示有噪声的边；

形式上，所得视图的邻接矩阵为：

l l

A＝A⊙M    (2)；

所述步骤S3包括以下步骤：

S301、将使用暂退法和去噪技术生成的第一视图和第二视图的邻接矩阵 分别进行对称归一化，其公式为：其中，D(u)和D(v)分别表示用户和商品的度矩阵， 表示与用户i有交互的商品的数量，表示与商品j有交互的用户的数量；

S302、分别对第一视图和第二视图的用户和商品之间的交互模式进行编码，将它们嵌入到d维潜在空间中进行传播，局部图嵌入传播层公式如下：(u) (v)

其中，E 和E 分别表示用户和商品的嵌入矩阵；

S303、将多个图嵌入传播层集成，细化用户/商品表示并聚合上下文嵌入的局部邻域信息，将用户ui和商品vj在第l层图神经网络GNN的嵌入分别表示为 和 从第(l‑1)层到第l层的消息传递过程如下：将所有层的嵌入表示相加，获得用户和商品的最终嵌入表示：其中， 表示用户ui和商品vj之间的预测偏好。

2.根据权利要求1所述的基于暂退法与去噪技术的图对比学习推荐方法，其特征在于，所述步骤S4包括以下步骤：S401、首先将原始用户‑商品二分图通过BPR损失函数进行训练，该损失函数为：+ ‑ + ‑

其中，O＝{(u，i，j)|(u，i)∈O，(u，j)∈O}是训练数据，O是观察到的交互，O＝U×I/O+是未观察到的交互，σ(·)表示sigmod激活函数；

S402、然后将生成的第一视图和第二视图使用对比学习InfoNCE损失函数进行训练，即最大化正对的预测一致性，最小化负对的预测一致性：其中，(e′u，e″u)表示同一节点的不同视图的正对，(e′u，e″v)表示不同节点的不同视图的负对，s表示cosine相似度函数，τ表示温度系数；

上述公式(8)表示计算用户节点的对比损失，同理可得出商品节点的对比损失 则最终的对比损失函数为S403、最后进行联合训练，反向传播以更新模型参数，优化模型效果：

3.根据权利要求2所述的基于暂退法与去噪技术的图对比学习推荐方法，其特征在于，所述步骤S5在于从不同视图学习到的嵌入表示进行加权，并且通过softmax函数输出预测结果。

4.根据权利要求3所述的基于暂退法与去噪技术的图对比学习推荐方法，其特征在于，所述步骤S6中，Recall召回率的计算公式：其中，TP表示正确预测为用户喜欢的商品的数量，FN表示将用户实际上喜欢的商品错误地预测为不喜欢的数量；

NDCG归一化折损累计增益的计算公式为：

其中，relt表示在第t个位置上的结果的相关性，|REL|表示结果集的实际相关性的数量。