1.一种基于自适应降噪训练的推荐方法，其特征在于，包括以下步骤：获取用户与物品的交互数据集并构建用户与物品的数据交互图，在所述数据交互图中添加用户与物品的属性数据，生成用户与物品的属性数据关系图，根据所述数据交互图与所述属性数据关系图生成包括用户、物品和属性数据的知识图；

利用图卷积神经网络聚合所述知识图中与每个实体节点相邻的节点的特征，通过全连接层对所述实体节点的特征和与所述实体节点相邻节点的特征进行拼接处理，获得用户与物品的特征向量；

在神经模型训练阶段中，通过损失函数对打分函数进行学习，对所述损失函数进行截断或重新加权处理，从而对所述打分函数进行优化处理；

利用优化处理后的打分函数对用户和物品的特征向量进行内积计算，获得用户和物品之间的匹配分数，对所述匹配分数进行排序生成推荐结果。

2.根据权利要求1所述的基于自适应降噪训练的推荐方法，其特征在于，根据数据交互图与属性数据关系图构建用户和物品的实体对齐矩阵，利用所述实体对齐矩阵将所述用户与物品的数据交互图和用户与物品的属性数据关系图组成包括用户、物品和属性数据的知识图。

3.根据权利要求1所述的基于自适应降噪训练的推荐方法，其特征在于，在利用图卷积神经网络进行聚合之前，利用图卷积神经网络的嵌入层对所述知识图中的高维向量进行降维处理为低维向量。

4.根据权利要求3所述的基于自适应降噪训练的推荐方法，其特征在于，采用对偶排列损失函数来对嵌入层中的向量进行优化。

5.根据权利要求1所述的基于自适应降噪训练的推荐方法，其特征在于，对损失函数进行截断处理的具体实现如下：

利用损失函数来学习打分函数，设置损失函数的截断值，当损失函数所计算的损失值大于截断值且用户与物品之间发生真实交互，则将损失函数所计算的结果设置为零，否则，保留损失函数所计算的结果。

6.根据权利要求1所述的基于自适应降噪训练的推荐方法，其特征在于，对损失函数进行重新加权处理的具体实现如下：

利用损失函数来学习打分函数，对损失函数添加权重从而减小损失函数的损失值。

7.根据权利要求5或6任一项所述的基于自适应降噪训练的推荐方法，其特征在于，对所述损失函数进行迭代训练，使损失函数计算的损失值最小化，同时在迭代训练的过程中对损失函数进行降噪，得到优化后的打分函数。

8.一种基于自适应降噪训练的推荐系统，其特征在于，包括，生成单元，用于获取用户与物品的交互数据集并构建用户与物品的数据交互图，在所述数据交互图中添加用户与物品的属性数据，生成用户与物品的属性数据关系图，根据所述数据交互图与所述属性数据关系图生成包括用户、物品和属性数据的知识图；

聚合单元，利用图卷积神经网络聚合所述知识图中与每个实体节点相邻的节点的特征，通过全连接层对所述实体节点的特征和与所述实体节点相邻节点的特征进行拼接处理，获得用户与物品的特征向量；

优化单元，用于在神经模型训练阶段中，通过损失函数对打分函数进行学习，对所述损失函数进行截断或重新加权处理，从而对所述打分函数进行优化处理；

推荐单元，用于利用优化处理后的打分函数对用户和物品的特征向量进行内积计算，获得用户和物品之间的匹配分数，对所述匹配分数进行排序生成推荐结果。

9.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中所存储的程序，实现权利要求1至7任一项所述的基于自适应降噪训练的推荐方法。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于自适应降噪训练的推荐方法。