1.一种基于扩散模型的对比学习去偏智能推荐方法，其特征在于，包括以下步骤：S1，从用户物品的交互图中提取到偏见物品特征，物品流行度特征和物品语义特征，将个体与邻居节点的偏见物品特征，物品流行度特征和物品语义特征进行结合，再采用超图卷积对用户和物品的表示进行编码，得到编码后的嵌入，所述编码后的嵌入包括用户的嵌入表示x和物品的嵌入表示y；

S2，将编码后的嵌入输入扩散模型，扩散模型输出不同嵌入的最终输出；然后将所述不同嵌入的最终输出进行聚合操作，得到用户物品交互嵌入表示；然后基于所述用户物品交互嵌入表示计算用户推荐交互物品的评分，将评分降序排列生成相关候选物品的推荐列表。

2.根据权利要求1所述的一种基于扩散模型的对比学习去偏智能推荐方法，其特征在于，S1包括以下步骤：S1‑1，将用户物品交互图信息转化为用户物品交互的嵌入表示，导出用户u与物品i的历史交互序列Hu,i，确定与当前物品i交互的用户u，然后通过均匀分布的随机采样来获得物品的嵌入表示y，其中物品的嵌入值在均匀分布范围内随机生成；

S1‑2，在用户物品交互的历史行为序列中，根据与当前用户交互的物品，综合所有交互物品的嵌入向量，得到用户嵌入表示x；

S1‑3，综合与用户交互的物品的嵌入表示，是根据用户交互过程中的物品偏见特征、物品流行度特征以及物品语义信息，拟合有偏见的交互，从而得到最终的用户嵌入特征表示，获得用户物品交互特征的事件序列表示(x,y)。

3.根据权利要求2所述的一种基于扩散模型的对比学习去偏智能推荐方法，其特征在于，物品的嵌入表示y、用户嵌入表示x的计算公式如下：其中，x为用户嵌入表示；

y为物品的嵌入表示；

yi为第i个物品的嵌入表示，为与用户u交互的项目；

Hu,i为用户u与物品i的历史交互序列；

ru为原始用户物品交互图的用户个体偏见的嵌入向量；

||ru‖为ru的模长；

sign()为符号函数；

⊙为哈达玛积符号；

Hgc(·)为超图卷积；

为邻接矩阵；

Encoder()为超图卷积编码表示。

4.根据权利要求1所述的一种基于扩散模型的对比学习去偏智能推荐方法，其特征在于，扩散模型的扩散过程包括向前过程和反向过程，在向前过程中逐步添加高斯噪声破坏用户的交互历史，在反向过程中，通过参数化神经网络逐步从被噪声破坏的交互历史中恢复出原始的交互数据，恢复出交互概率用于对未交互的项目进行排序和推荐。

5.根据权利要求1所述的一种基于扩散模型的对比学习去偏智能推荐方法，其特征在于，所述扩散模型还包括扩散优化：定义 反映扩散模型优化过程中在不同时间步s下的模型训练目标：其中， 表示每个时间步的损失函数；

是时间步s的噪声比例参数，控制着在每一步中添加的噪声量；

是累积噪声比例参数，表示从初始状态到当前时间步s的累积噪声比例；

|| ||2为二范数；

为基于现有状态γs对初始状态γ0的预测。

6.根据权利要求1所述的一种基于扩散模型的对比学习去偏智能推荐方法，其特征在于，计算用户推荐交互物品的评分公式如下：β＝

〈·,·>为内积运算；

||为拼接运算；

计算时先各自进行拼接再进行内积运算；

x、y分别表示用户嵌入表示和物品嵌入表示；

μ表示调节流行度偏见影响的超参数；

ru和ri分别表示用户和物品的偏见向量。

7.根据权利要求1所述的一种基于扩散模型的对比学习去偏智能推荐方法，其特征在于，在所述聚合过程中，进行梯度优化操作，得到去偏见的嵌入表示；其中梯度优化操作的损失函数为：根据用户以往交互的历史行为数据和交互图中用户物品交互的关联性，得到与用户交互的物品嵌入其中， 是过去用户交互物品的嵌入矩阵；

是未来用户可能交互的物品的嵌入矩阵；

通过只包含过去用户交互物品的用户嵌入表示和用户可能交互的物品表示内积获得用户推荐物品的评分，计算交叉熵损失函数：T

其中，W1是W1的转置，W1是计算交叉熵损失函数的参数权重矩阵；

σ是激活函数。

8.根据权利要求7述的一种基于扩散模型的对比学习去偏智能推荐方法，其特征在于，还包括：设定一个参数矩阵Z，并通过梯度计算调整参数矩阵Z来降低偏置误差带来的影响，表示如下：T

其中，是转置符号；

[·,·]是拼接符号；

x、y分别表示用户嵌入表示和物品嵌入表示。