1.一种基于改进的图卷积神经网络的物品评分预测方法，其特征在于，该方法具体包括以下步骤：S1：获取用户对物品的历史评分、用户的个人信息，以及物品的属性信息；

S2：构造用户‑物品，用户‑用户，物品‑物品关系图；

S3：利用改进的图卷积神经网络提取多种关系图中节点的结构和内容特征；具体是将关系图输入图卷积神经网络中，学习用户和物品的特征表示向量Hu,Hv；改进的图卷积神经网络，包含有图卷积层和全连接神经网络层，具体包括：N

1)图卷积层：将图上的节点作为模型的输入向量x∈R ，并将其视为一种图上的信号；

N×N

表示正则化的图拉普拉斯矩阵，其中，I表示单位矩阵，A∈R 表示邻接矩T N×N

阵，Dii＝∑jAij表示图中节点的度矩阵；将L分解为L＝UΛU ，U＝[u0,…,uN‑1]∈R 表示正N×N交特征向量，Λ＝diag([λ0,…,λN‑1])∈R 表示非负特征值；根据频域上的卷积定理，一个信号与滤波器gθ＝diag(θ)在图上的卷积为：T

gθ*x＝UgθUx                         (2)利用K阶多项式来近似计算gθ来简化计算，得到：K T k k T

其中，Θ∈R是多项式的系数，将其代入方程(2)，根据(UΛU) ＝UΛU，得到：其中，Θk表示多项式第k项的系数；

为防止发生过拟合，简化多项式的系数参数，并在邻接矩阵和度矩阵中加单位矩阵I，得到改进的图卷积网络层的计算公式：其中，Θ′表示模型中可学习的参数；

2)全连接神经网络层：对特征进行非线性融合，H＝σ(WZ+b)

其中，W表示参数矩阵，b表示偏置，σ表示非线性激活函数，采用ReLU函数；

S4：选择神经网络模型融合节点的多种特征信息；

S5：根据用户和物品的特征表示，预测用户对物品感兴趣的概率；

S6：利用训练集和验证集训练模型；

S7：利用训练好的模型预测用户对物品的评分。

2.根据权利要求1所述的物品评分预测方法，其特征在于，所述步骤S1具体包括以下步骤：S11：获取用户对物品的评分数据，用户的年龄、性别、职业、邮编，物品的属性、类别，并根据用户ID和物品ID组成评分矩阵、用户特征矩阵和物品特征矩阵；

S12：划分数据集：随机选取80％作为训练集，20％作为测试集，再选取训练集的10％作为验证集。

3.根据权利要求2所述的物品评分预测方法，其特征在于，所述步骤S2具体包括以下步骤：S21：根据用户的年龄、性别、职业和邮编计算用户之间兴趣的相似关系图G1＝{(ui,tij,uj)|u∈U,0≤tij≤1}，其中，u表示用户，t表示用户之间兴趣的相似程度；根据物品的属性和类别计算物品之间的相似关系图G2＝{(vi,tij,vj)|v∈V,0≤tij≤1}，其中，v表示物品，t表示物品之间的相似度，表达式为：其中，f表示用户个人信息/物品属性的初始特征向量，sum表示向量的各个元素相加；

S22：根据用户对物品的评分数据构建用户‑物品交互二分图G3＝{(u,yuv,v)|u∈U,v∈V,yuv∈(1,2,…,r)}，其中，y表示用户对物品的评分值，U、V分别为用户和物品的集合，r为用户对物品的评分值。

4.根据权利要求3所述的物品评分预测方法，其特征在于，所述步骤S3具体包括以下步骤：S31：构造改进的图卷积神经网络；

S32：将关系图G1，G2，G3输入到图卷积网络，模拟消息传播的过程来提取图中节点的结构特征和内容特征；

对相同类型的节点进行处理，即用户‑用户关系图G1和物品‑物品关系图G2，分别得到用户和物品关于辅助信息的节点表示fu,fv；

其中，σ表示非线性激活函数Relu(·)＝max(0,·)，Θu表示模型中的参数矩阵，Tu表示用户节点之间的相似度系数，D是关于Tu的度矩阵，xu为节点的初始特征向量；类似地，fv采用同样的方式计算；

对不同类型的节点进行处理，即对用户‑物品关系图G3进行处理，并为不同的评分设置不同的处理通道，得到用户和物品的特征表示Zu,Zv；

其中， 表示评分为i的评分矩阵，D是关于Ri的度矩阵；对不同处理通道的输出进行聚合，得到其中，Wu表示可学习的参数，accum表示向量之间的连接操作；类似地，Zv采用同样的方式计算。

5.根据权利要求4所述的物品评分预测方法，其特征在于，所述步骤S4具体包括：通过将不同图中提取到的节点特征输入到BP神经网络中进行信息融合，通过信息互助来更准确地学习节点特征的表示，得到用户和物品的最终的特征表示Hu,Hv；

Hu＝σ(W1Zu+W2fu+b)             (9)其中，W1,W2是可训练的参数矩阵，b表示偏置；类似地，Hv采用同样的方式计算。

6.根据权利要求5所述的物品评分预测方法，其特征在于，所述步骤S5具体包括以下步骤：S51：根据网络输出的用户和物品的嵌入向量Hu,Hv，运用softmax函数预测用户对物品的评分值为r的概率：其中，Qr、Qs为可训练的参数；s表示取不同的评分值时的下标；

S52：预测用户对物品的评分值为：

7.根据权利要求6所述的物品评分预测方法，其特征在于，所述步骤S6具体包括：采用随机梯度下降的方法最小化损失函数来训练模型，最小化损失函数为：其中，I(k＝l)＝1，否则为0。

8.根据权利要求7所述的物品评分预测方法，其特征在于，所述步骤S7具体包括：将评分测试集输入已经训练好的改进的图卷积神经网络，输出评分测试集的评分预测。