1.一种增强协同推荐系统鲁棒性的方法，其特征在于，该方法包括如下步骤：步骤1：获得用户生成内容平台中用户和产品之间的交互数据；

步骤2：用矩阵分解法获得消费者、生产者和产品的潜在向量表示；

步骤3：用偏置矩阵因子法构建消费者、生产者及产品的三元交互模型；

步骤4：在提出的偏好预测模型上，采用贝叶斯个性化排序BPR框架学习所有参数；

步骤5：通过最大化后验来优化排名，用随机梯度下降法SGD训练模型直到收敛，初始化收敛参数；

步骤6：对输入参数施加对抗扰动，所述输入参数为消费者、生产者和产品；

步骤7：在施加了对抗扰动的模型上，重复步骤4；

步骤8：采用施加了对抗扰动的最小化损失函数，在初始化收敛参数基础上，用随机梯度下降法SGD训练模型直到收敛。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中，用户生成内容平台是web应用程序的核心，用户可以在其中生成和消费内容。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤2中，用两个投影矩阵将一个用户的核心嵌入到她的两个角色嵌入中，两个角色为生产者和消费者的角色，其公式如下：其中 表示消费者的潜在向量表示， 表示生产者的潜在向量表示，γu表示用户的核心嵌入，Wc、Wp表示消费者、生产者的投影矩阵。

4.根据权利要求1或2所述的方法，其特征在于，所述步骤3中，通过偏置矩阵因子法将用户对产品的偏好和对产品生产者的欣赏程度的总和来模拟用户的消费行为，其公式如下：其中xui表示用户给产品的预测得分，α表示全局偏置项，βu和βi分别表示用户和产品的偏置项，γi表示产品的潜在向量表示。

5.根据权利要求1或2所述的方法，其特征在于，所述步骤4中，BPR是基于矩阵分解的一种排序算法，BPR定义了偏好评分之间的差异，其公式如下：xuij＝xui-xuj

其中xuij表示偏好评分之间的差异，xui表示用户u对感兴趣产品i的评分，xuj表示用户u对不感兴趣产品j的评分。

6.根据权利要求1或2所述的方法，其特征在于，所述步骤5中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型，其公式如下：其中LBPR表示使用BPR优化的损失函数，σ(·)表示Sigmoid激活函数，β表示正则化超参数， 表示模型所有参数。

7.根据权利要求1或2所述的方法，其特征在于，所述步骤6中，对抗性训练可以提高推荐模型的有效性，以改善用户生成内容平台的推荐模式，通过这种方法，将模型训练得到不那么容易受到对抗性干扰，可以提高模型的鲁棒性，其公式如下：其中Δu表示施加在用户上的对抗性扰动，Δi表示施加在产品上的对抗性扰动。

8.根据权利要求1或2所述的方法，其特征在于，所述步骤8中，为了获得对对抗扰动不太敏感的模型，除了最小化原始BPR损失之外，还应最小化对手的目标函数，其公式如下：其中θ*表示对抗模型的优化函数，LBPR′表示施加了扰动的优化函数， 表示最小化原始BPR优化函数，λ表示控制对模型优化影响的超参数，β表示正则化超参数。