1.一种面向隐私保护的图神经网络联邦推荐方法，其特征在于该方法包括如下步骤：步骤1. 中央服务器维护全局的物品存在表；初始化全局权重和全局的物品网络嵌入矩阵，分发给各个参与联邦训练的客户端；

步骤2. 各个客户端在拿到初始化的全局权重和物品网络嵌入矩阵后，并行的使用各自本地数据进行基于图神经网络的推荐模型训练；

步骤3. 每个客户端在一个epoch的本地训练结束后，将各自本地的梯度和本地的物品网络嵌入矩阵进行同态加密并上传至中央服务器；

步骤4. 中央服务器在接收到各个客户端上传的同态加密后的本地梯度和本地物品网络嵌入矩阵，使用FedAvg算法进行聚合，产生新的全局权重；根据全局物品存在表，加权平均得到全局物品网络嵌入矩阵；将聚合后的全局权重和全局物品网络嵌入矩阵分发给各个客户端；

步骤5. 每个客户端在接收到聚合后的全局权重和全局网络嵌入矩阵后，进行解密，将全局权重赋值给本地权重，将全局物品网络嵌入作为本地的物品网络嵌入；各客户端并行的训练本地推荐系统模型；

步骤6. 以步骤3至步骤5为一个周期，周期性循环步骤3到步骤5至初始化设定的迭代周期数，各客户端输出各自的最终预测结果。

2.根据权利要求1所述的一种面向隐私保护的图神经网络联邦推荐方法,其特征在于：所述的方法中需要唯一的中央服务器和多个客户端参与，目标函数是使得各个客户端的推荐误差最小化。

3.根据权利要求1所述的一种面向隐私保护的图神经网络联邦推荐方法, 其特征在于：所述的方法中中央服务器维护着一张全局的物品存在向量表。

4.根据权利要求1所述的一种面向隐私保护的图神经网络联邦推荐方法, 其特征在于：所述的方法中参与训练的客户端拥有相同的密匙，传输参数至中央服务器需要进行同态加密后进行聚合，聚合后的结果传输至参与的每一个客户端后进行同态解密。

5.根据权利要求1所述的一种面向隐私保护的图神经网络联邦推荐方法, 其特征在于：对权重使用FedAvg算法进行聚合，对物品网络嵌入矩阵根据全局物品存在向量表使用加权平均算法。

6.根据权利要求1所述的一种面向隐私保护的图神经网络联邦推荐方法, 其特征在于：所述的方法中客户端解密全局参数后需要赋值给本地参数，本地模型进行基于二分图的图卷积神经网络模型的训练。