1.一种基于深度学习的异构环境下可信O2O服务推荐方法，其特征在于，包括如下步骤：S1.采集来自多个渠道的异构环境下O2O服务数据，并对所述异构环境下O2O服务数据进行预处理，形成统一数据矩阵模型；

S2.基于所述统一数据矩阵模型构建图结构数据模型，生成初始关系图,所述统一数据矩阵模型包括用户行为数据矩阵Du、服务信息数据矩阵Ds及地理位置信息数据矩阵Dg：D＝Du∪Ds∪Dg；

其中，Du为用户行为数据矩阵，包含i个用户的行为特征向量ui，Ds为服务信息数据矩阵，包含j个服务的特征向量sj，Dg为地理位置信息数据矩阵，包含k个地理位置的特征向量gk；

S3.在所述初始关系图的基础上构建多视角自适应图扩散卷积网络，获得图卷积节点嵌入表示,多视角自适应图扩散卷积网络采用局部扩散模块和全局扩散模块的多视角扩散策略，用于捕捉用户、服务及地理位置节点在不同尺度下的信息传播特性；

S4.根据所述图卷积节点嵌入表示构建推荐模型，整合生成用户兴趣分布和服务特征表示，并形成推荐候选集；

S5.利用鲸鱼优化算法对所述推荐模型的关键超参数进行全局搜索和优化调节，并将优化后的参数反馈至多视角自适应图扩散卷积网络中，更新优化后的推荐模型；

S6.基于优化后的推荐模型计算用户对所述推荐候选集中各服务的匹配度及兴趣度，生成基于实时状态的个性化O2O服务推荐结果。

2.根据权利要求1所述的一种基于深度学习的异构环境下可信O2O服务推荐方法，其特征在于，所述S1包括以下步骤：S11.采集来自多个渠道的异构环境下O2O服务数据，所述异构环境下O2O服务数据包括用户行为数据、服务信息数据及地理位置信息，所述用户行为数据包括用户浏览记录、历史订单、服务评价及点击行为，所述服务信息数据包括服务类别、商户特征、服务价格及服务评价得分，所述地理位置信息包括用户当前位置、历史位置信息及服务提供地理位置；

S12.依据所述异构环境下O2O服务数据的来源和数据格式，构建数据预处理模型，对所述异构环境下O2O服务数据进行时间格式归一化、分类特征编码及数值特征归一化，使不同来源的异构数据符合统一的表示形式,得到格式转换后的异构环境下O2O服务数据；

S13.对格式转换后的异构环境下O2O服务数据进行数据清洗，包括均值填充、中位数填充及最近邻插值；

S14.依据所述格式转换及数据清洗后的异构环境下O2O服务数据构建统一数据矩阵模型D；

S15.依据所述统一数据矩阵模型D，对高维数据进行优化处理，使得所述统一数据矩阵模型在降低计算复杂度的同时保留关键信息，并将优化后的所述统一数据矩阵模型存储至数据存储模块，建立索引结构。

3.根据权利要求1所述的一种基于深度学习的异构环境下可信O2O服务推荐方法，其特征在于，所述S2包括以下步骤：S21.依据用户行为数据矩阵Du定义用户节点集合Vu，所述用户节点集合包括所有用户的唯一标识；

S22.依据服务信息数据矩阵Ds定义服务节点集合Vs，所述服务节点集合包括所有服务的唯一标识；

S23.依据地理位置信息数据矩阵Dg定义地理位置节点集合Vg，所述地理位置节点集合包括所有地理位置的唯一标识；

S24.依据用户行为数据矩阵Du和服务信息数据矩阵Ds构建用户与服务之间的交互关系边集合Eus；

S25.依据服务信息数据矩阵Ds和地理位置信息数据矩阵Dg构建服务与地理位置之间的关系边集合Esg；

S26.依据用户行为数据矩阵Du和地理位置信息数据矩阵Dg构建用户与地理位置之间的关系边集合Eug；

S27.综合步骤S21‑S26中节点及边集合计算边权重矩阵W，边权重矩阵W由边权重wij组成：其中，xi与xj分别为由所述统一数据矩阵模型D提取的节点vi与节点vj的特征向量，反映各节点在用户行为、服务信息及地理位置数据中的综合特征，‖xi‑xj‖为节点特征向量间的欧氏距离，α为控制逻辑函数敏感度的缩放参数，σ1为特征距离的归一化因子，θ为逻辑函数的阈值参数，用于调整节点间相似性度量的平移，nij表示用户行为数据矩阵Du中记录的节点vi与节点vj之间的交互次数，Nmax为所有节点对中最大交互次数，用于归一化交互次数nij，rij表示服务信息数据矩阵Ds中节点vi与节点vj之间交互对应的平均服务评价得分，Rmax为数据集中最高的服务评价得分，用于归一化平均服务评价得分rij，dij为地理位置信息数据矩阵Dg中记录的节点vi与节点vj之间的地理距离，κ为调节地理距离影响程度的参数，λ1、λ2、λ3分别为赋予交互频率、服务评价及地理距离归一化项的权重系数；

S28.综合步骤S21至S27中构建的用户、服务及地理位置节点集合V、边集合E＝Eus∪Esg∪Eug以及边权重矩阵W，构建完整的初始关系图G＝(V,E,W)。

4.根据权利要求1所述的一种基于深度学习的异构环境下可信O2O服务推荐方法，其特征在于，所述S3包括以下步骤：S31.基于所述初始关系图G构建多视角自适应图扩散卷积网络；

(L)

S32.在局部扩散模块中，依据节点类型和边权重矩阵定义局部扩散矩阵P ：其中，NL(i)为节点vi在局部邻域内的相邻节点集合， 为局部扩散调节因子，用于调控不同类型节点在局部信息传播中的敏感度；

(G)

S33.在全局扩散模块中，依据相同的边权重矩阵定义全局扩散矩阵P ：其中，NG(i)为节点vi在全局范围内扩展邻域的节点集合， 为全局扩散调节因子，用于反映节点在远距离信息传递中的影响力；

S34.设计门控融合机制，对局部扩散矩阵的扩散信息与全局扩散矩阵的扩散信息进行动态融合，设定门控系数ζi：其中， 为第l层中节点vi的特征表示，U为可训练权重矩阵，b为偏置向量，σ(·)为Sigmoid激活函数；

S35.采用多视角自适应图扩散卷积计算图卷积节点嵌入表示，对第l层节点特征表示和 进行融合运算：其中， 表示第l层局部扩散模块的特征矩阵， 表示第l层全局扩散模块的特征矩阵， 为融合后的多视角特征表示矩阵， 与 分别为局部与全局扩散模块在第l层的可训练参数矩阵，⊙表示逐元素乘积运算，σ(·)为非线性激活函数；

S36.采用跳跃扩散机制，对不同扩散步长的信息进行加权融合，优化信息传递的多尺度融合效果，在多视角自适应图扩散卷积网络中引入跳跃扩散机制，得到最终的图卷积节点嵌入表示：其中， 为跳跃扩散后的最终节点特征矩阵，T为最大扩散步长，βt为第t步扩散信息的融合权重。

5.根据权利要求1所述的一种基于深度学习的异构环境下可信O2O服务推荐方法，其特征在于，所述S4包括以下步骤：S41.依据所述多视角自适应图扩散卷积网络的最终的图卷积节点嵌入表示，构建由用户兴趣表示模型与服务特征表示模型组成的推荐模型，分别对用户节点vi与服务节点vj采用兴趣映射函数fu(·)及特征映射函数fs(·)得到最终表示向量：其中， 为用户ui的最终兴趣表示向量， 为服务sj的最终特征表示向量， 为最终融合的节点嵌入表示矩阵；

S42.依据用户兴趣表示与服务特征表示，计算用户ui与候选服务sj之间的推荐评分：其中,<·,·>表示向量内积运算，g(sj)为服务sj的类别得分，η为服务类别调控因子；

S43.依据推荐评分rij对候选服务进行排序，选取得分最高的k个服务服务集合Si形成个性化O2O服务推荐候选集。

6.根据权利要求1所述的一种基于深度学习的异构环境下可信O2O服务推荐方法，其特征在于，所述S5包括以下步骤：S51.依据所述推荐模型确定影响推荐效果的关键超参数集合Θ，所述超参数集合包括最大扩散步长T、局部扩散调节因子 全局扩散调节因子 及正则化系数λ1：S52.利用鲸鱼优化算法优化超参数集合Θ，初始化种群大小N，设定初始超参数候选集：其中， 为第i组超参数个体，依据随机初始化或预设范围生成；

S53.基于所述推荐模型，以目标函数F(Θ)计算每组超参数Θi的适应度；

S54.鲸鱼优化算法采用包围猎物、螺旋更新及随机搜索机制优化超参数，包围猎物机制：其中, 为当前最优超参数,A为收缩系数,Dopt为当前位置与最优解之间的距离；

螺旋更新机制：

其中, b为螺旋形状控制参数,l为随机数；

随机搜索机制：

其中， 为种群中的随机个体；

S55.在优化过程中，设定收敛判定标准，设定收敛判定标准,选取最优超参数：其中，∈为收敛阈值，当ΔF小于∈连续k轮时，算法终止，输出最优超参数Θopt；

S56.将优化后的超参数Θopt反馈至多视角自适应图扩散卷积网络，更新优化后的推荐模型。

7.根据权利要求6所述的一种基于深度学习的异构环境下可信O2O服务推荐方法，其特征在于，所述S53包括以下步骤：S531.依据推荐模型计算超参数集合Θ的适应度评价指标，适应度评价指标由命中率HR@K、归一化折损累计增益NDCG@K和损失函数L(Θi)组成，HR@K衡量推荐列表前K个推荐结果中正确命中用户真实选择服务的比例：其中,|U|为用户集合的总数,si表示用户ui实际选择的服务,Si为推荐给用户ui的前K个服务列表, 为指示函数，若si∈Si则取值1，否则取值0；

NDCG@K衡量推荐列表的排序质量：

其中,DCG@Ki为折损累计增益，表示前K个推荐结果的相关性：IDCG@Ki为理想折损累计增益，表示用户ui的最优推荐排序：其中，reli,j为用户ui对推荐结果第j个服务的真实相关性, 为用户ui在最优排序下的真实相关性；

S532.定义超参数Θi作用下的推荐模型损失函数L(Θi)：L(Θi)＝Lrecon+λ1·Lreg；

其中，λ1为正则化系数，Lreg为正则化项，Lrecon为推荐模型的重构损失，计算模型在推荐任务中的误差：其中，Lreg为正则化项，rij为用户ui对服务sj的真实评分, 为推荐模型预测评分；

S533.依据适应度评价指标，定义超参数集合Θi的目标优化函数：F(Θi)＝ω1·HR@K+ω2·NDCG@K‑ω3·L(Θi)其中，ω1,ω2,ω3为适应度函数的权重系数。