1.一种基于增强对比表征的在线社交平台好友推荐方法，其特征在于，首先，为在线社交平台构建社交网络和经过噪声扰动的负社交网络；接着，使用图神经网络提取社交网络和负网络的社交用户表征；然后，在社交用户表征上计算分层对比学习损失、拓扑损失以及结构损失；最后，联合各损失获得最终总的损失函数，同时通过最终得到的社交用户表征实现个性化的好友推荐；

所述方法包括以下步骤：

步骤一、构建在线社交平台用户间的社交网络G，在网络G中，网络中的节点定义为用户，如果两个用户在在线社交平台中互相关注，则用户间有一条连边，每个用户都有属性信息；构建负网络 该网络通过随机修改社交网络G的部分连边和部分属性顺序构建而成；

步骤二、构建图神经网络，该网络由l层的图卷积网络组成，通过图神经网络分别挖掘k社交网络G和负网络 中的信息，得到对应的第k≤l层的表征h和步骤三、计算图神经网络中社交用户表征的分层对比学习损失，对于第k层，计算该层k k k的全局网络表征g ，构建判别器β以用于相似性的计算，通过最大化β(g ,h )，最小化以实现第k层的对比学习损失构建；

k

步骤四、计算图神经网络中社交用户表征的拓扑损失，对于第k层，构建拓扑表征c以及k k拓扑负表征 构建判别器γ以用于相似性的计算，通过最大化γ (g ,c )，最小化以实现第k层的拓扑损失构建；

k

步骤五、计算图神经网络中社交用户表征的结构损失，对于第k层，使用矩阵乘法γ ＝k k Th(h)获得预测的第k层网络结构，通过最大化真实社交网络相连用户i和用户j间的 值，以实现第k层的社交网络结构损失，对负网络做相同操作以实现第k层的负网络结构损失；

步骤六、计算总损失函数；

步骤七、重复步骤二～步骤六，获得最终的社交用户表征矩阵；

步骤八、通过计算表征相似性分数，实现对用户的个性化好友推荐。

2.如权利要求1所述的一种基于增强对比表征的在线社交平台好友推荐方法，其特征在于，所述步骤一中，通过在线社交平台获得用户和用户关系信息，接着通过这些信息构建社交网络G＝(V,E,X)，其中V＝{v1,v2,…,vN}表示所有用户，E表示用户之间的关系，N表示N×dim N用户数，X∈R 表示用户的属性信息，共dim种属性，社交网络的邻接矩阵用A＝[aij]∈R×N表示，当用户之间互为好友时aij＝1，否则aij＝0，社交网络的度矩阵用D＝diag(d1,d2,…dN)表示，其中di＝∑jaij，社交网络的负网络用 表示，其中 为随机修改G的部分连边，为随机打乱部分用户的属性；

所述步骤二中，使用图神经网络以提取社交网络G的用户表征，该网络由l层的图卷积网络GCN组成，第k层GCN的社交用户表征为，k 0

其中k∈{1,..,l}， W为第k层的权值矩阵，I为单位矩阵，h＝X，为PRELU激活函数；为负网络 做相同的图神经网络操作，得到对应的各层的社交用户负表征所述步骤三中，计算图神经网络中社交用户表征的分层对比损失，其中第k层的对比损失为，

其中k∈{1,..,l}， W为可学习

k

的权值矩阵， 为矩阵h的第i行向量，表示第i个用户的表征， 为矩阵 的第i行向量，表示第i个用户的负表征； 为全局网络表征，σ为sigmoid激活函数；

所述步骤四中、计算图神经网络中社交用户表征的拓扑损失，其中第k层的拓扑损失为，

其中k∈{1,..,l}，

k

为第k层的拓扑表征， 为第k层的拓扑负表征， 为c 的第i行向量，表示第i个用户的拓扑表征， 为 的第i行向量，表示第i个用户的拓扑表征；

所述步骤五中，计算图神经网络中社交用户表征的结构损失，其中第k层的结构损失为，

k k k T

其中k∈{1,..,l}，r ＝h (h) 为预测的第k层网络结构， 为预测的第k层负网络结构，为指示函数，当满足下标条件时值为1，否则为0；

所述步骤六中，计算总损失函数，

L＝L1+L2+L3；

所述步骤七中，重复执行步骤二～步骤六，当L降低到指定阈值时，结束计算，则最终的

1 2 l

社交用户表征矩阵为h＝h+h+…+h；

所述步骤八中，对于任意社交用户i，其用户表征hi为社交用户表征矩阵h的第i行所代表的向量，计算该社交用户和其他所有社交用户的表征相似性分数，取相似性分数最高的K个非好友作为该用户的推荐好友。