1.一种基于图神经网络的偏好感知社会化推荐方法，其特征在于，包括以下步骤：S1：输入用户的社交信息和用户与物品间的交互信息；

S2：根据所述用户社交信息构建用户社交图，根据所述用户物品间的交互信息构建用户物品交互图，并初始化用户和物品的嵌入；

S3：利用轻量级图神经网络在所述用户社交图和所述用户物品交互图中进行一阶图卷积操作，再将带有交互信息和社交信息的用户嵌入聚合，得到最终的一阶用户嵌入；

S4：将所述用户的初始嵌入和所述一阶用户嵌入输入到子图构建模块，所述子图构建模块将所述用户物品交互图分为多个子图，其中，所述子图构建模块将所述用户物品交互图分为多个子图的具体步骤是：S41：将所述用户的初始嵌入  和所述一阶用户嵌入 融合，公式如下：式中： 表示为 函数， 表示为偏置项， 表示为权重矩阵；

S42：将 输入到一个两层的神经网络中，得到最终的预测向量：式中： 和 表示为权重矩阵， 和 表示为偏置项， 表示为预测向量，其每一行的最大值所在的下标即为该用户所在子图的序号，预测向量的维度和预先定义的子图的数量是一致的，使用无监督学习对用户节点进行分类，分类依据是偏好相似的用户及其有交互行为的物品；

S5：利用轻量级图神经网络在所述用户社交图和所述用户物品交互图子图上进行二阶或高阶图卷积操作，再将两个图的用户嵌入聚合，得到二阶或高阶用户嵌入；

S6：利用轻量级图神经网络在所述用户物品交互图进行图卷积操作，得到一阶至高阶用户嵌入和物品嵌入，将所有阶用户嵌入进行加权求和，得到最终的用户嵌入，将所有阶的物品嵌入进行加权求和，得到最终的物品嵌入；

S7：通过对所述最终用户嵌入和最终物品嵌入进行内积来计算用户对物品的偏好程度；

S8：根据所述用户对物品的偏好程度进行降序排序，选择前N个生成推荐列表。

2.根据权利要求1所述的一种基于图神经网络的偏好感知社会化推荐方法，其特征在于：所述步骤S3中，利用轻量级图神经网络在所述用户社交图和所述用户物品交互图中进行一阶图卷积操作的具体步骤为：S31：利用轻量级图神经网络递归的在所述用户社交图上聚合邻居节点信息，得到带有社交信息的一阶用户嵌入 ：式中： 和 分别表示为用户u和v在所述用户社交图中有直接社交关系的邻居节点的集合， 表示为用户v的初始嵌入；

S32：利用轻量级图神经网络递归的在所述用户物品交互图上聚合邻居节点的信息，得到带有交互信息的一阶用户嵌入 ：式中： 和 分别表示为所述用户物品交互图中与用户u和物品i有直接交互的邻居节点的集合， 表示为物品i的初始嵌入。

3.根据权利要求1所述的一种基于图神经网络的偏好感知社会化推荐方法，其特征在于：所述步骤S3中，将带有交互信息和社交信息的用户嵌入聚合的具体步骤为：将得到的带有社交信息的一阶用户嵌入 和带有交互信息的一阶用户嵌入 聚合起来，生成最终的一阶用户嵌入 ，具体公式如下：式中：K表示为迭代次数， 、 和 表示为权重矩阵， 表示为 函数，表示为向量拼接操作, 表示为L2范数。

4.根据权利要求1所述的一种基于图神经网络的偏好感知社会化推荐方法，其特征在于：所述步骤S5中，利用轻量级图神经网络在所述用户社交图和所述用户物品交互图子图上进行二阶或高阶图卷积操作的具体步骤为：S51：利用轻量级图神经网络递归的在所述用户社交图上聚合邻居节点信息，得到带有社交信息的 阶用户嵌入 ：式中： 和 分别表示为用户u和v在所述用户社交图中邻居节点的集合， 表示为用户v的 层嵌入；

S52：利用轻量级图神经网络递归的在所述用户物品交互图子图上聚合邻居节点的信息，得到带有交互信息的 阶用户嵌入 ：式中： 和 分别表示为用户u和物品i在其所在子图中邻居节点的集合， 表示为物品i的 层嵌入。

5.根据权利要求1所述的一种基于图神经网络的偏好感知社会化推荐方法，其特征在于：所述步骤S5中，将两个图的用户嵌入聚合的具体步骤为：将得到的带有社交信息的 阶用户嵌入 和带有交互信息的 阶用户嵌入 聚合起来，生成最终的二阶或高阶用户嵌入 ，具体公式如下：式中：表示为迭代次数， 、 和 表示为权重矩阵， 表示为 函数，表示为向量拼接操作, 表示为L2范数。

6.根据权利要求1所述的一种基于图神经网络的偏好感知社会化推荐方法，其特征在于：所述步骤S6的具体步骤为：S61：将用户集合U中的N个用户和物体集合 中的M个物品的特征向量均初始化为一个d维的向量，N个用户的特征向量表示为矩阵 ，用户 的特征向量表示为 ，个物品的特征向量表示为矩阵 ，物品 的特征向量表示为 ；

S62：计算经过第一个图卷积层的用户和物品特征向量，具体公式如下：式中： 和 分别表示为用户u和v在社交图中邻居节点的集合， 表示为用户u的 层特征向量；

S63：经过K轮传播，得到用户u嵌入，为 和 ，对每

一层用户嵌入加权求和，得到最终的用户嵌入，具体公式如下：式中： 表示为第l层的嵌入权重因子， 表示为用户u的最终嵌入；

S64：经过K轮传播，得到物品i嵌入，为 ，对每一层物品嵌入加权求和，得到最终的物品嵌入，具体公式如下：

式中： 表示为第l层的嵌入权重因子， 表示为物品i的最终嵌入。

7.根据权利要求1所述的一种基于图神经网络的偏好感知社会化推荐方法，其特征在于：所述步骤S7中，计算嵌入内积公式如下：式中： 表示为用户u对物品i的预测偏好， 表示为预设时间段内用户u的最终嵌入， 表示为预设时间段内物品i的最终嵌入。