1.一种面向推荐系统评测的无数据推荐模型建模方法，其特征在于，包括以下步骤：S1：构建生成器G，用以生成虚拟推荐数据；

S2：构建克隆模型C，用于学习目标推荐系统的推荐机制；

S3：进行协同优化，调整生成器G和克隆模型C的参数；

S4：根据评测方案对S3步骤中优化获得的代理模型进行评测；

步骤S1具体包括：在无实际数据输入的情况下，生成器G接收一个随机噪声向量，并通过一系列非线性变换，生成一个输出样本：其中，是从标准正态分布中随机采样得到的一个低维噪声向量，θG表示生成器模型的参数， 表示生成器G通过一系列非线性变换将随机噪声向量 转换为用户‑项目交互数据的过程，因此，被视为一个用户‑项目二分图：其中，M表示二分图中用户的数量，n表示二分图中项目的数量，将这些由生成器生成的数据 输入到模型T中进行查询，返回相应的响应其中，θT表示目标模型的参数， 是 输入到目标模型T进行查询后得到的对应生成用户的推荐列表；

步骤S2具体包括：采用图神经网络LightGCN来构建克隆模型C；克隆模型C通过对目标模型T查询后得到的响应数据进行学习，分析用户和项目节点的嵌入表示来捕捉用户和项目之间的复杂关系，接着，克隆模型利用这些嵌入表示来预测用户对项目的兴趣，从而生成推荐列表其中，θC表示克隆模型的参数， 是 输入到克隆模型C得到的对应生成用户的推荐列表。

2.根据权利要求1所述的一种面向推荐系统评测的无数据推荐模型建模方法，其特征在于：步骤S3中，通过交替优化网络训练机制，以实现生成器模型G与克隆模型C的协同优化，具体包括：S3.1：确定协同优化目标；在训练过程中，首先优化生成器，生成器的目标在于生成与目标模型输出的最大化差异的样本，以便更好地训练克隆模型C，因而利用目标模型T的输出 与克隆模型C的输出 之间的KL散度作为生成器的损失函数，损失函数公式如下：其中，KL散度衡量了两个概率分布之间的差异；通过最大化 之间的KL散度，提高生成器G在未见过的数据上的泛化能力；而后优化克隆模型，克隆模型C的目标则是最小化与目标模型输出的差异，以提高其准确性；克隆模型C的损失函数如下：其中，该损失函数旨在最小化目标模型输出 与克隆模型输出 之间的KL散度来优化克隆模型C的参数，使其预测更加贴近真实情况或目标模型T的输出；通过交替优化网络训练机制，使生成器G和克隆模型C在训练过程中相互促进；

S3.2：采用数值优化技术，调整模型参数；具体来说，是使用梯度下降来最小化损失函数，公式如下：其中， 表示在t+1时刻生成器网络的参数， 表示当前需要被更新的参数值，η是学习率，用于控制参数更新的步长大小， 是生成器损失函数关于生成器参数的梯度；为了在黑盒攻击场景下估计梯度，提出一种零阶梯度估计方法，通过前向差分法近似梯度，具体公式如下：其中，ui是从d维单位球面中以均匀概率抽取的随机变量，∈是一个平滑因子；同时，为了减少估计误差，采用平均随机梯度估计方法，通过m个随机方向计算前向差分，并取平均值作为梯度估计：其中， 表示对变量x的梯度估计或近似， 表示在于m个随机方向

的样本中，生成器损失函数 关于参数x的梯度估计的平均值；随着梯度的精确估计，生成器的参数也得到了有效的更新。

3.根据权利要求1所述的一种面向推荐系统评测的无数据推荐模型建模方法，其特征在于：步骤S4具体包括：S4.1：使用评测数据对克隆模型C进行微调；通过对目标模型出现过的用户历史交互记录进行微调，减少模型在训练过程中的灾难性遗忘现象，确保代理模型能持续正确分类训练早期阶段的旧示例，随后，利用贝叶斯损失函数计算训练样本，以增强用户的参与度和满意度，贝叶斯损失函数公式如下：其中，M代表用户总数，Nu是用户u交互过的物品集合， 和 分别是用户u对物品i(0) 2和j的评分，σ是sigmoid函数，用于将评分转换为概率值，而λ||E || 是正则化项，用于控制模型的复杂度，防止过拟合；在微调过程中，不断根据新的评测数据和用户反馈来更新克隆模型C，确保模型能够持续适应用户需求的变化，并优化推荐策略以提升用户体验；

S4.2：对克隆模型C进行性能评估，并采用命中率、保真度、F1分数评测指标来衡量克隆模型C的表现，以评估克隆模型C的性能；将建模获得的克隆模型进行离线评测和在线A/B测试。

4.一种面向推荐系统评测的无数据推荐模型建模装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑3中任一项所述的一种面向推荐系统评测的无数据推荐模型建模方法。

5.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑3中任一项所述的一种面向推荐系统评测的无数据推荐模型建模方法。