1.一种知识图谱辅助的成对排序个性化电商推荐方法，其特征在于，包括以下步骤：S1：获取原始数据，对原始数据进行预处理，并利用处理后的原始数据构建知识图谱，具体包括以下步骤：对用户以及商品数据进行清洗，删除无效数据和异常数据，得到所有用户集U以及商品集I；

通过用户对商品的购买信息构建用户商品交互矩阵R＝[rui]m×n，其中rui＝1表明用户u购买过商品i，反之rui＝0表明用户u未购买过商品i；

商品被一起购买的数据构建商品与商品的功能互补矩阵H＝[hkv]n×n，其中hkv＝1表明商品v与商品k被一起购买过，反之hkv＝0表明商品v与商品k未被一起购买过；

利用商品元数据通过知识图谱抽取出商品知识，并通过与已构建的公开知识库，自底向上地构建商品知识图谱，将商品知识图谱与用户商品交互矩阵融合构成最终知识图谱其中 为实体间关系集合，ε＝U∪I∪K为所有实体集合，K为除用户实体以及商品实体之外的额外实体集合，m为所有用户数，n为所有商品数；

S2：从获取的数据中抽取目标用户的负样本，具体包括以下步骤：

将负样本的抽样过程建模为马尔科夫决策过程，定义为 目标是学

习到一种智能的负采样策略；

状态St定义为对于给定用户u，在探索知识图谱的第t步时，所访问到的知识图谱商品实体et时的状态，表示为二元组(u,et)；

动作at定义为在当前状态St到达下一个状态St+1时的单位路径选择操作，且at不选择已探索路径，其中探索的单位路径定义为p0＝i→e′→j，i与j是知识图谱中的商品实体，e′是同时与i，j相连的除用户实体与商品实体之外的额外实体；

转移概率表示在当前状态St下采取动作at能到达下一个状态St+1的概率，设置为1；

给定状态St时的奖励函数 定义为：

策略的价值函数vπ(s)为策略π的累计折损奖励的期望，通过最大化价值函数vπ(s)学习到最优策略π；

其中， 为在探索知识图谱过程中的状态集合， 为探索知识图谱过程中的动作集合， 为状态转移概率矩阵， 为奖励函数； 为用户u与商品et的特征向量的内积， 为商品i与商品et的特征向量的内积；

在评估当前状态St下访问到的商品实体et为高质量负样本的概率时，一次探索动作采取的单位路径包括知识图谱中的两跳，当前状态St下访问到的商品实体et为高质量负样本的概率表示为：其中， 表示商品实体节点et为负样本的概率，概率 表征

额外实体et‑1′∈K对用户决策的重要性， 表示与实体et‑1′相连的商品实体节点et为负样本的概率；

负样本抽样模型的损失函数表示为：

其中，T为模型超参数，表示探索单位路径的长度；ΘS为负样本抽样模块参数向量；

+

为给定参数ΘS下实体et+1为负样本的概率；O为用户的正反馈集合；γ为奖励衰减因子； 为奖励函数；

通过负样本构建输入数据，具体包括：

将用户u以及其已经被其购买过的商品i、其负样本商品j，形成用户偏序数据(u,i,j)；

对于每件商品k，通过功能互补矩阵H＝[hkv]n×n，构建功能互补性偏序矩阵Ck＝[cvw](n‑1)×(n‑1)，其中cvw＝1表明对于商品k而言，商品v比商品w具有更好的功能互补性，cvw＝0表明对于商品k而言，商品w比商品v具有更好的功能互补性，其他情况为无效数据，形成功能互补性偏序数据(k,v,w)；

将用户偏序数据以及商品功能互补性偏序数据作为数据对作为个性化推荐模块的输入；

S3：构建个性化推荐模型，将通过负样本构建的输入数据作为输入，进行训练；个性化推荐模型的损失函数表示为：其中，DS为用户偏序部分训练集；ZS为功能互补性偏序部分训练集； 和β为模型超参数，ΘR为模型求解的所有参数； 为商品k与商品v的互补性评分； 为商品k与商品w的互补性评分， 为用户u对商品i的偏好评分， 为用户u对商品j的偏好评分，σ为sigmoid函数；

S4、将目标用户的实时数据经过预处理并提取负样本，构成输入数据输入个性化推荐模型，个性化推荐模型输出针对目标用户的商品推荐列表。

2.根据权利要求1所述的一种知识图谱辅助的成对排序个性化电商推荐方法，其特征在于，最优策略的价值函数vπ(s)表示为：其中，γ为奖励衰减因子，T为探索的步数。

3.根据权利要求1所述的一种知识图谱辅助的成对排序个性化电商推荐方法，其特征在于，在抽取负样本时，为减少模型复杂度，对当前节点的邻接点集 中随机选取包含n1个实体节点的子集 计算邻接点子集 中各节点与当前节点e的相似性分数，对相似性评分进行排名，并选取评分由高到低排名前n2个邻接实体节点作为当前节点的邻居节点，再计算当前状态St下，访问到邻居节点为负样本的概率。

4.一种知识图谱辅助的成对排序个性化电商推荐系统，其特征在于，该系统用于实现权利要求1所述的一种知识图谱辅助的成对排序个性化电商推荐方法，包括原始数据获取模块、个性化推荐模块、负样本抽取模块以及优化模块，所述负样本抽取模块包括图表示学习单元、邻居节点选择模块以及图注意模块，其中：数据获取模块，用于获取原始数据，并利用处理后的原始数据构建知识图谱；原始数据包括电商平台用户与商品的历史反馈数据、丰富的商品元数据，所述知识图谱包括用户与商品的历史反馈信息、商品的属性信息；

个性化推荐模块，用于以输入优化单元的数据作为输入，为目标用户提供推荐的商品列表；

图表示学习单元，用于根据输入的数据学习得到知识图谱中所有节点的向量表示；

邻居节点选择模块，用于根据图表示学习单元得到实体的向量表示，从当前实体节点的邻居节点中随机选择n1个实体节点，计算n1个实体节点与当前实体节点的相似性分数，并选择其中n2个分数最高的作为当前节点的邻居节点集合，降低模型复杂度；

图注意模块，用于计算当前节点的邻居节点集合中的节点为当前节点的负样本的概率，并将集合中概率最高的节点作为负样本；

优化模块，用于根据负样本抽取模块获取的负样本，构建输入数据，即将偏序关系数据(u,i,j)以及功能互补关系数据(k,v,w)作为个性化推荐模块输入，其中u为给定用户，i为用户u已经购买过的商品，j为抽样模块采样的高质量负样本商品，v为与商品k一起被购买过的商品，w为随机抽取的未与商品k一起被购买过的商品。