1.基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于，包括：S1.获取用户与物品之间的历史交互数据，并基于规则进行排序，得到用户历史行为序列，构建为关联图，对关联图进行改进优化，得到并记为用户行为序列全局图；

S2.将用户行为序列全局图划分为用户各行为序列子图，与用户嵌入相结合，并注入序列编码器的局部模块中，将用户行为序列全局图，注入序列编码器的全局模块中，使局部模块和全局模块的输出进行融合，得到用户行为序列的表示；

S3.通过序列编码器，从用户行为序列中提取得到用户意图，与用户行为序列的表示进行对比学习，将用户行为序列的表示，与其他用户行为序列的表示进行对比学习，综合得到用户的序列推荐；

S4.基于用户的序列推荐，对用户进行预测，根据预测结果对序列推荐进行优化，以此完成自适应全局图建模和意图对比学习的序列推荐；

所述基于规则进行排序，得到用户历史行为序列，构建为关联图，具体分析过程为：所述规则具体是按照各历史交互时间点的时间顺序进行排序；

所述用户与物品之间的历史交互数据，具体是用户在各历史交互时间点下与物品的交互数据；

所述得到用户历史行为序列，具体是将用户在各历史交互时间点下与物品的交互数据，按照各历史交互时间点的时间顺序进行排序，得到并记为各用户历史行为子序列，由此各用户历史行为子序列的集合称为用户历史行为序列；

所述用户历史行为序列分为项目集合以及用户与项目之间的关系集合；

所述构建为关联图，具体是将用户历史行为序列中的项目集合以及用户与项目之间的关系集合，按照预定义方式进行连接，具体表达式为：关联图 ，其中V是项目集合， 是用户与项目之间的关系集合，表示为关联图中第e条边的顶点i与顶点j之间的关系， 。

2.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述对关联图进行改进优化，得到并记为用户行为序列全局图，具体分析过程为：上述对关联图进行改进优化，具体是将关联图通过轻量级图卷积网络作为图编码器来优化，得到并记为用户行为序列全局图；

所述用户行为序列全局图表示是通过图编码器将来自轻量级图卷积网络各L层的关联图进行嵌入的加权和获得的，如下所示：；

式中， 是用户行为序列全局图表示， 是第0层的关联图表示， 表示为第r层的关联图表示， 是第L层的关联图表示，L是轻量级图卷积网络中特定层级表示，,r表示为轻量级图卷积网络中的任意层级。

3.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述将用户行为序列全局图划分为用户各行为序列子图，与用户嵌入相结合，并注入序列编码器的局部模块中，具体分析过程为：根据用户行为序列全局图，获取用户的个性化信息；

所述与用户嵌入相结合，并注入序列编码器的局部模块中，具体是通过用户行为序列全局图相对位置编码的形式将用户的个性化信息参与到自注意力机制中，由自注意力机制中的编码器以及解码器对用户各行为序列子图进行处理，即Transformer操作，在第L层Transformer后，得到局部模块的输出如下：；

式中， 表示为序列编码器的局部模块输出， 表示为局部模块的Transformer操作， 为用户u的历史交互序列表示，u表示用户， 。

4.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述将用户行为序列全局图，注入序列编码器的全局模块中，具体分析过程为：获取用户行为序列全局图的协同信息；

全局模块具体是采用一个所有序列共享的全局Query矩阵，以此来学习用户行为序列全局图的协同信息，全局模块的输出构造如下：；

式中， 为序列编码器的全局模块输出，为softmax操作， 为全局Query矩阵，为可学习的参数矩阵， 为可学习的参数矩阵， 为当前序列的嵌入矩阵， 以及 均表示矩阵， 表示为正则化。

5.根据权利要求4所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述使局部模块和全局模块的输出进行融合，得到用户行为序列的表示，具体分析过程为：获取用户行为序列全局图各位置点p的位置权重，记为 ；

融合层的输出表示被构造为：

；

式中， 为融合层的输出，为位置p的项目对预测用户意图的重要性， 表示为序列编码器的局部模块输出， 为序列编码器的全局模块输出；

所述得到用户行为序列的表示，具体是 中最后一个向量 被用作用户序列的表示，其中 。

6.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述用户意图，与用户行为序列的表示进行对比学习，具体分析过程为：获取用户行为序列全局图在向量空间中的两个向量，分别记为 和 ；

将向量空间中与向量 和 距离最小的意图原型分别作为这两个向量的意图 和 ；

用户行为序列的表示和用户意图之间的对比学习任务构造如下：；

式中， 表示为用户行为序列的表示和用户意图之间的对比学习， 表示为用户行为序列， 和 表示为向量空间中的向量， 和 表示为与 和 距离最小的意图原型，并作为用户意图。

7.根据权利要求6所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述将用户行为序列的表示，与其他用户行为序列的表示进行对比学习，具体分析过程为：获取用户行为序列的当前序列，记为 ；

针对当前序列 ，从具有相同标签的序列中随机采样，以获取具有相同意图的序列 ，以此作为序列间的对比，其学习任务构造如下：；

式中， 为用户行为序列之间的对比， 为用户行为序列， 和 表示为向量空间中的两个向量。

8.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述基于用户的序列推荐，对用户进行预测，具体分析过程为：所述对用户进行预测，具体是给定序列表征 和项目嵌入矩阵V，预测分数计算如下：；

其中 为预测分数， ， 为给定的序列表征， 为项目嵌入矩阵的转置， 为目嵌入矩阵的行列式表示， 表示为归一化函数；

对交叉熵损失进行优化，以最大限度地提高正确预测的概率：；

式中， 为对用户进行预测的准确率， 是用户u的下一项交互的真实项目，是用户u的下一项交互的预测项目， 。

9.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述根据预测结果对序列推荐进行优化，具体是采用多任务训练策略共同优化多个预测任务。