1.一种基于路径语义和特征提取的负样本提取方法，其特征在于，包括以下步骤：S1.进行样本采集，收集需要进行提取的样本范围，搭建采样系统模型；

S2.将知识图谱的三元组结构的表示学习与SDAE结合，进而从关系中获取物品实体的编码；

S3.根据知识图谱中用户节点和物品节点的关联关系，结合相应的搜索算法采样得到负样本；

S4.按照评分高低对负样本数据集进行排序；

S5.对低分负样本数据集进行修剪；

S6.基于数据集进行对比试验。

2.根据权利要求1所述的基于路径语义和特征提取的负样本提取方法，其特征在于，步骤S1具体包括以下内容：所述系统模型通过强化学习正样本，利用递归进行探索，结合通道注意力机制，增强有用特征，判断进行下一个节点的访问，通过MF方法验证模型的有效性。

3.根据权利要求1所述的基于路径语义和特征提取的负样本提取方法，其特征在于，步骤S2具体包括以下内容：选用Translate模型中的TransR与SDAE结合对结构化知识进行表示，将知识图谱三元组(h，r，t)中的实体通过矩阵投影到对应关系所在的空间，进而得到在关系r上的投影向量。

4.根据权利要求1所述的基于路径语义和特征提取的负样本提取方法，其特征在于，步骤S3具体包括以下步骤：以用户交互的正样本为初始节点，通过强化学习来获得知识图谱的负样本集合，进而探索优秀样本，上述过程循环进行，同时对探索样本结果提供解释。

5.根据权利要求4所述的基于路径语义和特征提取的负样本提取方法，其特征在于，所述强化学习方法包括States，Action以及Reword三个部分，用于状态转移过程中降低Reword。

6.根据权利要求4所述的基于路径语义和特征提取的负样本提取方法，其特征在于，所述通道注意力机制具体包括以下内容：考察各个通道之间的依赖程度以及每个通道内的信号；根据不同通道进行不同权利的赋值，区别每个所述通道的重要程度。

7.根据权利要求1或2任意一项所述的基于路径语义和特征提取的负样本提取方法，其特征在于，所述系统模型将多模拟信息作为对实体和关系的辅助特征，结合所述通道注意力机制对信息量小或者无用的特征进行抑制。