1.一种基于动态多任务图卷积的冷链多温混配推荐方法，其特征在于，包括如下步骤：步骤1：对货源信息数据集D和车源信息数据集D1进行去重、去空，清洗和提取标签后得到货源信息标签数据集D2和车源信息标签数据集D3；

步骤2：对数据集D2和D3进行统计概括和筛选，筛选出构建车货源关联图所需要的标签数据集D4作为车货源关联图的基础数据集，统计出其余货源信息数据集标签D5作为构建货源关联图的基础数据集，数据集D6为动态更新后的车源和货源数据集标签；

步骤3：使用PMI构建货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)，通过对统计出的车货源信息标签数据集D4和其余货源信息数据集标签D5进行相应关键词提取，再进行关联图连边权重计算，分别得到货源关联图和车货源关联图；

步骤4：对货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)提取特征，使用GAT特征变换形成新特征集合，对动态更新后的关联图通过注意力相关系数计算节点的邻域新特征；

步骤5：将更新的数据动态构建为更新关联图Gm＝(Vm，Em)，依据动态邻域节点计算更新关联图的节点注意力相关系数，通过节点注意力相关系数判断动态新邻域节点对原节点的权重w，邻域新特征输入GCN判断更新关联图Gm＝(Vm，Em)的节点权重u，使用新的权重进行卷积得到特征表示，使用Softmax层对不同货物进行计算选择，最终选择出最适合货物。

2.根据权利要求1所述的基于动态多任务图卷积的冷链多温混配推荐方法，其特征在于，所述步骤1的具体方法为：步骤1.1：定义Text为单个货源文本待清洗信息集，定义id1,content1，content2，content3，content4分别为货物序号、货物基本信息、货物起始地、适宜保存温度、运输时间限制，并且满足关系Text＝{id1，content1，content2，content3，content4}；

步骤1.2：定义Text1为单个车源文本待清洗信息集，定义id2,content5，content6，content7分别为冷藏车序号、可配载货物类型、剩余车厢体积大小、途径路线标签标记处理，并且满足关系Text1＝{id，content5，content6，content7}；

步骤1.3：定义D为货源信息待清洗数据集，D1为车源信息待清洗数据集，D＝{Text1,Text2,…，Texta,…，Textlen(D)}，Texta为D中第a个待清洗货源数据，D1＝{Text11,Text12,…，Text1b，…，Text1len(D1)}，Text1b为D1中第b个待清洗车源数据，分别对数据集中的文本进行去重、去空以及对待清洗信息集中的content进行标签提取；

步骤1.4：对数据集D、D1进行数据清洗和提取标签后得到货源信息标签数据集D2和车源信息标签数据集D3，D2＝{T1，T2，…，Tc，…，Tlen(D2)}，Tc为D2中第c个文本数据，其中变量c∈[1，len(D2)]；D3＝{T11，T12，…，T1d,…，T1len(D3)}，T1d为D3中第d个文本数据，其中变量d∈[1，len(D3)]；

步骤1.5：定义货源关联图Gi＝(Vi，Ei)，节点v1i∈Vi，边e1i∈Ei，车货源关联图Gj＝(Vj，Ej)，节点v2j∈Vj，边e2j∈Ej。

3.根据权利要求1所述的基于动态多任务图卷积的冷链多温混配推荐方法，其特征在于，所述步骤2的具体方法为：步骤2.1：对标签数据集D2、D3中的标签进行统计，概括出货物起始地、冷藏车途径路线标签数据集，定义为D4；

步骤2.2：标签数据集D4中单个文本信息集为Text2＝{id3，label1，label2，label3，label4，label5}，id3，label1，label2，label3，label4，label5分别为文本信息序号、冷藏车可配载货物类型标签、剩余车厢体积大小标签、货物起始地标签、途径路线标签、车货交易运输次数；

步骤2.3：将标签数据集D2、D3统计后，剩余标签数据概括为标签数据集D5，作为构建货源关联图的基础数据集；

步骤2.4：标签数据集D5中单个文本信息集为Text3＝{id4，label6，label7，label8，label9}，id4，label6，label7，label8，label9分别为文本信息序号、货物基本信息、适宜保存温度、运输时间限制、途径路线标签；

步骤2.5：动态更新标签数据集D6中单个文本信息集为Text4＝{id5，label10，label11，label12，label13}，id5，label10，label11，label12，label13分别为文本信息序号、动态更新货物基本信息、动态更新货物运输时间限制、动态更新途径路线标签。

4.根据权利要求1所述的基于动态多任务图卷积的冷链多温混配推荐方法，其特征在于，所述步骤3的具体方法为：步骤3.1：将D4和D5使用一个固定大小的滑动窗口通过文本计算单词共现信息，利用PMI来计算两个词之间的连接权值；

步骤3.2：预先设置Cwin(i)和Cwin(i，j)滑动窗口阈值，Cwin为数据集中滑动窗口总数；

步骤3.3：分别使用 和 计算单个标签在总体的占比，作为计

算连边权重的依据；

步骤3.4：利用 计算出词i与j之间依据计算出不同类型的连边以及

连边权重；

步骤3.5：判定PMI值是否为正，若为正的PMI值，则判定两个词之间相关，否则不相关；

步骤3.6：使用PMI计算出的权重划分阈值T，其中T≥0，若词i与j之间PMI值大于T则判定高度相关，若0≤PMI≤T，则正常相关，以此来构建货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)。

5.根据权利要求1所述的基于动态多任务图卷积的冷链多温混配推荐方法，其特征在于，所述步骤4的具体方法为：步骤4.1：对货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)中节点v1i∈Vi和节点v2j∈Vj提取特征h＝{h1，h2，...，hN}， 其中N为节点的个数，F为特征的个数；

步骤4.2：使用注意力相关系数score计算原节点和邻域节点的权重，通过更新关联图赋予每个原节点新权重；

步骤4.3：对于每个原节点执行自注意力机制，计算注意力相关系数uij＝a(Whi，Whj)以及计算更新后节点注意力相关系数u′ij＝a′(W′ki,W′kj)；

步骤4.4：将原节点的每个邻域节点注意力相关系数uij和u′ij取平均值，所有领域节点整合，通过 其中h′为GAT输出节点i融合邻域信息的新特征；

步骤4.5：使用GAT特征变换后形成新特征集合

6.根据权利要求1所述的基于动态多任务图卷积的冷链多温混配推荐方法，其特征在于，所述步骤5的具体方法为：步骤5.1：将货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)输入到GCN中进行特征提取，定义为矩阵H；

步骤5.2：定义k为循环变量，且赋k初值为1，开始循环；

步骤5.3：如果k≤len(D6)，则进入步骤5.4；否则，跳转到步骤5.9；len(D6)为数据集D6中的数据量；

步骤5.4：基于动态更新的数据集，对更新后关联图中邻域节点注意力相关系数进行判断，划定注意力相关系数ui和uj；

步骤5.5：通过注意力相关系数依据u′ij＝a′(W′ki，W′kj)，计算出更新后关联图节点的注意力相关系数u；

步骤5.6：若u大于ui，则继续进行判断，否则直接选取原关联图邻域节点之间权重w；

步骤5.7：继续判断u是否小于等于uj，若小于或等于则统计节点i邻域节点的注意力相关系数，并取平均值得到平均注意力相关系数步骤5.8：否则，节点i的注意力相关系数取为u；

步骤5.9：对所有节点进行注意力相关系数计算，同时计算出权重得到新的邻域节点特征x；

步骤5.10：将增强后的矩阵X输入到Softmax层中，输出概率推荐结果，依据结果选取合适的温度以及车货源匹配。

7.一种基于动态多任务图卷积的冷链多温混配推荐装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时执行权利要求1‑6任一项所述的基于动态多任务图卷积的冷链多温混配推荐方法的步骤。