1.一种基于对抗矩阵分解的协调过滤卷积神经网络推荐系统，其特征在于，所述基于对抗矩阵分解的协调过滤卷积神经网络推荐系统包括：嵌入层，包含两个嵌入方程，分别用于输出两个大小为64的表示用户和物品的向量，并将用户、物品的嵌入向量送入外积层；

外积层，用于将用户、物品的嵌入向量进行外积得到用户‑物品交互图，利用所述用户‑物品交互图表示基于嵌入层且成对的维数关系；

卷积层，用于基于用户‑物品交互图输出表示高纬度的信息的张量，并将输出的张量输出预测层；

预测层，用于利用预测函数基于输入张量进行预测，得到预测分数。

2.如权利要求1所述基于对抗矩阵分解的协调过滤卷积神经网络推荐系统，其特征在于，所述卷积层包括：每个子卷积层中均有32张特征图，各子卷积层之间形成塔式结构。

3.如权利要求1所述基于对抗矩阵分解的协调过滤卷积神经网络推荐系统，其特征在于，所述张量大小为1×1×32。

4.如权利要求1所述基于对抗矩阵分解的协调过滤卷积神经网络推荐系统，其特征在于，所述预测函数为：

2 2 2 2

L＝LAPR(D'|Θ)+λ1||ΘU||+λ2||ΘI||+λ3||ΘCNN||+λ4||ω||；

U

其中，λ*表示控制正则化的超参数，ΘU表示用户嵌入向量方程f (·)中的参数，ΘI表示I

物品嵌入向量方程f(·)中的参数，ΘCNN表示卷积层中的参数，ω表示预测层中的参数。

5.一种应用于如权利要求1‑4任意一项所述基于对抗矩阵分解的协调过滤卷积神经网络推荐系统的基于对抗矩阵分解的协调过滤网络推荐方法，其特征在于，所述基于对抗矩阵分解的协调过滤网络推荐方法包括：步骤一，利用两个嵌入方程分别输出两个大小为64的表示用户和物品的向量，并将用户、物品的嵌入向量送入外积层；

步骤二，将用户、物品的嵌入向量进行外积得到用户‑物品交互图；

步骤三，基于用户‑物品交互图输出表示高纬度的信息的张量，并将输出的张量输出预测层；

步骤四，将预测层的对抗矩阵分解AMF与卷积协同过滤ConvNCF一同训练得到预测评分。

6.如权利要求5所述基于对抗矩阵分解的协调过滤网络推荐方法，其特征在于，步骤二中，所述将用户、物品的嵌入向量进行外积得到用户‑物品交互图包括：将用户嵌入向量 与物品嵌入向量 进行外积，得到交互矩阵

E中的第(k1,k2)个元素也就是：对E中所有成对的维数关系进行编码，得到交互图。

7.如权利要求5所述基于对抗矩阵分解的协调过滤网络推荐方法，其特征在于，步骤四中，所述将预测层的对抗矩阵分解AMF与卷积协同过滤ConvNCF一同训练得到预测评分包括：

(1)优化模型参数：

其中， 表示干扰项的预测模型，ω表示预测层中可训练的权值向量； 分别表示用户u和物品i的扰动向量；

(2)给AMF的小批量训练集；给定小批量大小S；从成对训练实例集D中随机抽取S个训练实例并将小批量命名为D'；

(3)约束于 的最大范数计算得到干扰向量；

(4)根据小批量D'更新预测模型的参数：LAPR(D'|Θ)＝∑(u,i,j)∈D'lAPR((u,i,j)|Θ)；

其中，lAPR((u,i,j)|Θ)表示训练实例(u,i,j)的最小化的局部目标函数；

(5)对于在D'中出现的每个用户和物品，使用随机梯度下降算法计算(6)迭代步骤(4)至步骤(5)，直到预测模型AMF收敛或者验证性能开始下降为止，得到训练好的AMF，利用训练好的AMF输出预测评分。

8.如权利要求7所述基于对抗矩阵分解的协调过滤网络推荐方法，其特征在于，所述成对训练实例集D包括：

其中 表示用户u之前交互过的物品集合，I表示整个物品集合。

9.如权利要求7所述基于对抗矩阵分解的协调过滤网络推荐方法，其特征在于，所述训练实例(u,i,j)的最小化的局部目标函数lAPR((u,i,j)|Θ)如下：其中，

10.一种存储在计算机可读介质，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求5‑9所述基于对抗矩阵分解的协调过滤网络推荐方法。