1.一种多任务图神经网络的个性化景区推荐方法，其特征在于，包括：实时获取用户数据，并对获取的用户数据进行预处理；将预处理后的数据输入到训练好的推荐模型中，得到推荐结果；所述推荐模型由用户图神经网络、景区神经网络、推荐网络构成以及交叉单元；

训练推荐模型的过程包括：

S1：获取原始数据，对原始数据进行预处理；所述原始数据包括用户属性数据、景区属性数据以及景区交互数据；

S2：提取预处理后数据的用户特征集和景区特征集；根据用户特征集构建用户知识图谱，根据景区特征集构建景区知识图谱；

S3：将用户知识图谱中的三元组数据输入到用户图神经网络中进行训练，学习用户在用户知识图谱中的向量表达；将景区知识图谱中的三元组数据输入到景区图神经网络中进行训练，学习景区在景区知识图谱中向量表达；

S4：通过交叉单元将用户图神经网络提取的用户潜在特征和景区图神经网络提取的景区潜在特征分别输入到推荐网络中，得到用户融合后的潜在特征向量以及景区融合后的潜在特征向量；根据融合后的用户潜在特征向量与融合后的景区潜在特征向量形成用户对景区的预测评分；

S5：在对推荐模型进行训练过程中，将推荐网络评分预测任务、用户图神经网络对用户知识图谱的表示学习任务和景区图神经网络对景区知识图谱的表示学习任务进行多任务训练；

S6：计算模型的损失函数，模型的损失函数包括景区图神经网络损失、用户图神经网络损失、推荐网络损失以及正则项损失；

S7：当模型的损失函数值最小时，完成模型的训练。

2.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，对用户数据进行预处理的过程包括：对用户数据进行清洗，删除无效数据和异常数据；对清洗后的数据进行z‑score标准化。

3.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，提取的用户特征集包括生物学属性特征和社会学属性特征；提取的景区特征集包括景区资源特征和景区主导功能特征。

4.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，用户图神经网络结构包括包含L层全连接的神经网络和包含H层全连接神经网络两个部分；

包含L层全连接的神经网络用于提取用户知识图谱中头实体与关系的潜在特征向量；包含H层全连接神经网络用于将特征提取层提取到头实体与关系的潜在特征向量进行高阶特征组合，形成预测的尾实体；其中，L、H为模型超参数。

5.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，景区图神经网络的结构与用户图神经网络结构相同；其中，包含L层全连接的神经网络用于提取景区知识图谱中头实体与关系潜在特征向量；包含H层全连接的神经网络用于将特征提取层提取到头实体与关系的潜在特征向量进行高阶特征组合，形成预测的尾实体；其中，L、H为模型超参数。

6.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，推荐网络的结构包括包含L层全连接的神经网络和包含H层全连接的神经网络两个部分；所述包含L层全连接的神经网络用于提取推荐网络中输入的用户与景区潜在特征，其中用户对应用户图神经网络输入的头实体、景区对应景区图神经网络输入的头实体；所述包含H层全连接的神经网络用于将特征提取层提取到用户与景区的潜在特征向量进行高阶特征组合，预测用户对景区的评分。

7.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，交叉单元的结构包括用户交叉单元和景区交叉单元；用户交叉单元用于连接用户图神经网络与推荐网络特征提取层，通过特征交叉与特征压缩将用户图神经网络与推荐网络对同一用户提取的特征进行融合，得到用户融合后的潜在特征向量；景区交叉单元用于连接景区图神经网络与推荐网络特征提取层，通过特征交叉与特征压缩将用景区神经网络与推荐网络对同一景区提取的特征进行融合，得到景区融合后的潜在特征向量。

8.根据权利要求7所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，特征交叉和特征压缩的表达式为：

特征交叉：

特征压缩：

其中， 表示图神经网络中景区的第l层潜在特征向量， 表示推荐网络中景区第l层潜在特征向量， 为特征交叉矩阵； 表示推荐网络中景区的第l+1层潜在特征向量， 表示图神经网络中景区的第l+1层潜在特征向量，为模型参数，d表示潜在特征向量的长度， 表示转置符号，V、E均表示当前交叉单元为用户交叉单元。

9.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，得到用户对景区的个性化评分的过程包括：将经交叉单元融合后的景区与用户潜在特征拼接后输入到H层全连接的神经网络中，通过非线性激活函数形成评分其中， 表示H层全连接层，||为向量拼接符，wL，eL分别为经过下L层全连接层后用户和景区知识图谱中用户和景区的潜在特征向量，uL，vL分别为经过交叉单元后得到用户与景区潜在特征向量，σ(x)为非线性激活函数。

10.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，损失函数的表达式为：

其中，LRS表示推荐网络的损失函数，LU‑GNN表示用户图神经网络的损失函数，LI‑GNN表示景区图神经网络的损失函数，LREG表示正则项损失函数， 表示预测评分 与真实评分yuv的交叉熵函数，φ(x)表示知识图谱中预测尾实体与真实尾实体的差距函数，(hu,u u

r ,tu)表示用户知识图谱中存在的实体关系，(hu′,r ,tu′)表示用户知识图谱中不存在的实v v

体关系，(hv,r ,tv)表示景区知识图谱中存在的实体关系，(hv′,r ,tv′)表示景区知识图谱中不存在的实体关系， 为用户知识图谱， 为景区知识图谱， 表示正则项参数项，λ1、λ2、λ3分别为模型超参数。