1.一种基于采样重构对比学习的电商平台序列推荐方法，其特征在于，所述方法包括以下步骤：步骤一、加载数据集，数据集预处理；

步骤二、将原始序列 保留核心语义，分别用三种数据增强方式来改变序列的某些特征，从而为模型提供更丰富的训练信号；

步骤三、建立商品表征矩阵，每个商品 都对应一个表征向量；引入可学习的位置表征矩阵 表示序列的位置信息；用户的输入表征矩阵 由用户序列中所有商品的商品表征与位置表征相加构成；

步骤四、使用多头自注意力从同一位置的不同子空间提取信息；

步骤五、将假负样本引入对比学习，以改善序列推荐算法的效果；在构建对比损失时，不仅将来自同一用户样本的增强视图视为正样本，而且还通过计算用户间的相似度，为每个用户寻找与其最相似的K个其他用户作为其正样本；

步骤六、对于任意作为锚节点的用户序列 ，给定其两个增强视图 和 的表征和 ，以及其K个正样本的表征 ， ，使用两种损失函数 和 优化骨干推荐模型，并独立工作；

步骤七、采用了一种多任务策略，将主序列预测任务和附加对比学习任务共同优化以此利用来自未标记原始数据的自监督信号来提高序列推荐的性能；

所述步骤一中，定义电商平台系统中所有用户 的交互序列集合为，其中 表示用户 在时间步t交互的商品， 表示用户交互序列的长度；用 表示用户 在时间步t+1之前交互的商品子序列；

通过设计序列推荐算法，预测用户 在时间步| |+1最可能交互的商品，问题被形式化为，；

其中， 表示用户 在时间步| |+1与商品 交互的条件概率，为预测结果，即算法得到的最有可能与用户 在时间步| |+1交互的商品。

2.如权利要求1所述的基于采样重构对比学习的电商平台序列推荐方法，其特征在于，所述步骤二的过程如下：裁剪crop：随机裁剪序列的一部分，保留核心信息，目的是模拟用户行为中部分信息缺失的场景；

遮掩mask：随机遮蔽序列中的某些商品，使模型学习捕捉上下文信息，可以增强模型的鲁棒性；

重排序reorder：对序列中的商品进行局部重排，改变商品顺序，模拟用户交互顺序的多样性。

3.如权利要求1所述的基于采样重构对比学习的电商平台序列推荐方法，其特征在于，所述步骤三中，建立商品表征矩阵， ，每个商品 都对应一个表征向量 ，其中d为向量维度；引入可学习的位置表征矩阵 表示序列的位置信息；用户的输入表征矩阵 由用户序列中所有商品的商品表征与位置表征相加构成，；

其中，T 是用户行为序列的长度，即用户历史交互的商品数量， 为用户 在时间步t交互的商品 的表征， 为时间步t对应的位置表征，t∈{1,2,...,T}。

4.如权利要求1所述的基于采样重构对比学习的电商平台序列推荐方法，其特征在于，所述步骤四中，利用不同的线性投影将输入表示投影到子 个子空间中，将自注意机制应用于每个头，拼接各个头的输出并通过线性层进行融合，计算如下，；

；

其中， ， 是权重矩阵，在此， 是第

层的输入，注意力机制通过点积实现，

；

在序列推荐中，在预测下一个商品 时只能使用时间步 之前的信息；因此，将掩码操作应用于注意机制，如果 ，则忽略 和 之间的关联；这种掩蔽确保每个位置仅关注序列中的位置 及更早的位置，从而保留模型的自回归属性；

多头自注意力层输出的每个位置的表示 接下来会被送入一个位置前馈网络，该网络对每个位置的表示进行非线性变换，提炼特征表示，；

；

其中， 和 为权重矩阵， 和 为偏差向量，这个前馈网络增强了模型捕捉序列内复杂模式和交互的能力；

模型通过堆叠多个自注意力层和前馈网络获得更准确的表征，为了稳定并加速模型的训练，模型在每个自注意力层和前馈网络后叠加Dropout和层归一化，Transformer编码器第L层的输出表示为，；

；

将Transformer编码器最后一层的输出作为用户在不同时间步t的表征；由于序列推荐的任务是预测每个用户 在其历史交互序列 之后的商品，因此将用户 的最终表示设置为在时间步T处的偏好表征，即编码器输出矩阵的最后一行，；

其中，其中 为堆叠Transformer层数；

基于用户偏好表征 ，通过计算向量内积来预测每个商品 作为用户 下一项的概率，。

5.如权利要求1所述的基于采样重构对比学习的电商平台序列推荐方法，其特征在于，所述步骤五中，对于任意两个用户 和 ，通过用户序列编码器得到他们的嵌入表示和 后，他们的相似度通过表征向量的内积计算，即，；

所有用户的相似度构成相似矩阵，根据用户间的相似度，选取每个用户的K近邻，构成该用户的假负样本集合 ，作为该用户的正样本。

6.如权利要求1所述的基于采样重构对比学习的电商平台序列推荐方法，其特征在于，所述步骤六中，使用以下两种损失函数 和 优化骨干推荐模型，并独立工作；对应的方程如下：；

和

；

其中，假负样本集合 的样本数量用K预先定义；虽然 和 这两个损失函数看起来很相似，但它们在权衡不同的正样本类型的重要性方面起着不同的作用。

7.如权利要求1所述的基于采样重构对比学习的电商平台序列推荐方法，其特征在于，所述步骤七中，采用带有二元交叉熵的负对数似然作为每个用户 在每个时间步t+1的主要损失函数，；

其中，  ， 和 分别表示用户 在时间步t的表征、用户 在时间步t交互的商品表征和在时间步t+1随机负采样商品的表征；总损失函数为主要损失函数和对比损失函数的线性加权和，如下所示，；

；

其中，是用来平衡两种损失函数重要性的超参数。