1.攻击环境下的强鲁棒性项目推荐方法，其特征是，包括：获取用户对项目一维评级向量，并将一维评级向量转化为二维评级矩阵；

对二维评级矩阵中的空值进行预测填充，得到非稀疏评级矩阵；

将非稀疏评级矩阵分别描述为用户评级矩阵与项目评级的评级矩阵；基于用户评级矩阵和项目评级矩阵，分别学习到各自对应的基于评级的用户表示和基于评级的项目表示；

根据基于评级的用户表示和基于评级的项目表示，获取评级预测矩阵；

根据评级预测矩阵与真实评级之间的误差、基于评级的用户表示和用户嵌入ID，对用户进行检测，得到用户被检测为攻击用户的概率；

将用户被检测为攻击用户的概率加入到评级预测的损失训练中以控制攻击用户对评级预测的贡献比重，以得到最终用户评级预测结果；具体实现方式为：将用户被检测为攻击用户的概率作为评级预测的损失函数中的一部分，若用户被检测为攻击用户的概率越大，则其在损失函数中的数值就越小；

使用真实值与预测值之间的平方差之和作为损失函数的主体，在损失函数中加入攻击用户检测概率结果以控制攻击用户对评级预测中的贡献大小从而提高评级预测准确率；

或者，

所述方法采用用户评级预测模型来实现；所述用户评级预测模型，包括：依次连接的输入层和方法层；

所述输入层，包括：矩阵生成组件与AVE‑SVD组件；

所述方法层，包括：分别对用户评级矩阵与项目评级矩阵进行特征表示学习的感知器MLP、隐语义模型LFM、深度神经决策森林NDF；

其中，所述AVE‑SVD组件，用于将稀疏的用户‑项目评级矩阵进行预测填充从而成为非稀疏的用户‑项目评级矩阵；

所述AVE‑SVD组件的输出端，分别连接方法层中两个感知器MLP的输入端；

所述针对用户评级矩阵进行特征表示学习的感知器MLP的输出端与隐语义模型LFM的输入端连接；

所述针对项目评级矩阵进行特征表示学习的感知器MLP的输出端与隐语义模型LFM的输入端连接；

所述隐语义模型LFM的输出端和用户评级矩阵进行特征表示学习的感知器MLP的输出端，均与深度神经决策森林NDF的输入端连接；

所述深度神经决策森林NDF的输出端与隐语义模型LFM的输入端连接；

或者，

所述AVE‑SVD层，表示加入额外信息与项目评级平均值的奇异值分解，工作原理为：对将矩阵分解为用户隐向量矩阵与项目隐向量矩阵，将用户隐向量矩阵中的某行与项目隐向量矩阵中的某列进行相乘即为某用户对某项目的预测评级分数，在预测式中加入用户与项目的属性信息以及不同项目的平均评级分数以更全面的对评级进行预测，通过梯度下降的方法来最小化目标函数即预测评级与真实评级之间的误差；

或者，

所述用户评级预测模型的训练步骤包括：

构建用户评级预测模型；

构建训练集；所述训练集均包含已知用户评级结果的用户对项目一维评级向量；

将训练集输入用户评级预测模型中，对模型进行训练，当模型的总体损失函数达到最小值时，停止训练，得到训练后的用户评级预测模型；

根据用户评级预测结果，生成项目推荐列表。

2.如权利要求1所述的攻击环境下的强鲁棒性项目推荐方法，其特征是，对二维评级矩阵中的空值进行预测填充，得到非稀疏评级矩阵；具体实现方式为：使用矩阵分解法，对二维评级矩阵分解为用户隐向量矩阵和项目隐向量矩阵；

基于用户隐向量矩阵、项目隐向量矩阵、用户属性值、项目属性值和项目的评分均值，对二维评级矩阵中的空值进行预测填充，得到非稀疏评级矩阵。

3.如权利要求1所述的攻击环境下的强鲁棒性项目推荐方法，其特征是，将非稀疏评级矩阵分别描述为用户评级矩阵与项目评级的评级矩阵；具体实现方式为：以非稀疏评级矩阵中的行为单位即以每位用户为单位对非稀疏的用户‑项目评级矩阵进行描述为用户评级矩阵，以非稀疏评级矩阵中的列为单位即以每个项目为单位对非稀疏的用户‑项目评级矩阵进行描述为项目评级矩阵。

4.如权利要求1所述的攻击环境下的强鲁棒性项目推荐方法，其特征是，基于用户评级矩阵和项目评级矩阵，分别学习到各自对应的基于评级的用户表示和基于评级的项目表示；具体实现方式为：基于用户评级矩阵和多层感知器MLP，学习到基于评级的用户表示；

基于基于评级的项目表示和多层感知器MLP，学习到基于评级的项目表示。

5.如权利要求1所述的攻击环境下的强鲁棒性项目推荐方法，其特征是，根据基于评级的用户表示和基于评级的项目表示，获取评级预测矩阵；具体实现方式为：根据基于评级的用户表示和基于评级的项目表示，基于隐语义模型LFM，获取评级预测矩阵。

6.如权利要求1所述的攻击环境下的强鲁棒性项目推荐方法，其特征是，根据评级预测矩阵与真实评级之间的误差、基于评级的用户表示和用户嵌入ID，对用户进行检测，得到用户被检测为攻击用户的概率；具体实现方式为：根据基于评级的用户表示、用户嵌入ID、和评级预测矩阵与真实评级之间的误差，基于训练后的深度神经决策森林NDF，对用户进行检测，得到用户被检测为攻击用户的概率。

7.攻击环境下的强鲁棒性项目推荐系统，其特征是，包括：获取模块，其被配置为：获取用户对项目一维评级向量，并将一维评级向量转化为二维评级矩阵；

填充模块，其被配置为：对二维评级矩阵中的空值进行预测填充，得到非稀疏评级矩阵；

用户表示及项目表示学习模块，其被配置为：将非稀疏评级矩阵分别描述为用户评级矩阵与项目评级的评级矩阵；基于用户评级矩阵和项目评级矩阵，分别学习到各自对应的基于评级的用户表示和基于评级的项目表示；根据基于评级的用户表示和基于评级的项目表示，获取评级预测矩阵；

检测模块，其被配置为：根据评级预测矩阵与真实评级之间的误差、基于评级的用户表示和用户嵌入ID，对用户进行检测，得到用户被检测为攻击用户的概率；

预测模块，其被配置为：将用户被检测为攻击用户的概率加入到评级预测的损失训练中以控制攻击用户对评级预测的贡献比重，以得到最终用户评级预测结果；具体实现方式为：将用户被检测为攻击用户的概率作为评级预测的损失函数中的一部分，若用户被检测为攻击用户的概率越大，则其在损失函数中的数值就越小；

使用真实值与预测值之间的平方差之和作为损失函数的主体，在损失函数中加入攻击用户检测概率结果以控制攻击用户对评级预测中的贡献大小从而提高评级预测准确率；

或者，

所述方法采用用户评级预测模型来实现；所述用户评级预测模型，包括：依次连接的输入层和方法层；

所述输入层，包括：矩阵生成组件与AVE‑SVD组件；

所述方法层，包括：分别对用户评级矩阵与项目评级矩阵进行特征表示学习的感知器MLP、隐语义模型LFM、深度神经决策森林NDF；

其中，所述AVE‑SVD组件，用于将稀疏的用户‑项目评级矩阵进行预测填充从而成为非稀疏的用户‑项目评级矩阵；

所述AVE‑SVD组件的输出端，分别连接方法层中两个感知器MLP的输入端；

所述针对用户评级矩阵进行特征表示学习的感知器MLP的输出端与隐语义模型LFM的输入端连接；

所述针对项目评级矩阵进行特征表示学习的感知器MLP的输出端与隐语义模型LFM的输入端连接；

所述隐语义模型LFM的输出端和用户评级矩阵进行特征表示学习的感知器MLP的输出端，均与深度神经决策森林NDF的输入端连接；

所述深度神经决策森林NDF的输出端与隐语义模型LFM的输入端连接；

或者，

所述AVE‑SVD层，表示加入额外信息与项目评级平均值的奇异值分解，工作原理为：对将矩阵分解为用户隐向量矩阵与项目隐向量矩阵，将用户隐向量矩阵中的某行与项目隐向量矩阵中的某列进行相乘即为某用户对某项目的预测评级分数，在预测式中加入用户与项目的属性信息以及不同项目的平均评级分数以更全面的对评级进行预测，通过梯度下降的方法来最小化目标函数即预测评级与真实评级之间的误差；

或者，

所述用户评级预测模型的训练步骤包括：

构建用户评级预测模型；

构建训练集；所述训练集均包含已知用户评级结果的用户对项目一维评级向量；

将训练集输入用户评级预测模型中，对模型进行训练，当模型的总体损失函数达到最小值时，停止训练，得到训练后的用户评级预测模型；

生成模块，其被配置为：根据用户评级预测结果，生成项目推荐列表。

8.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1‑6任一项所述的方法。

9.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑6任一项所述的方法。