1.一种融合图卷积神经网络和因子分解机的混合推荐方法，其特征在于，包括如下步骤：S1，获取用户元数据和物品元数据作为数据样本，对用户元数据和物品元数据进行预处理得到用户交互向量、物品交互向量、用户内容向量、物品内容向量，将预处理后的样本划分为训练集和测试集；

S2，利用图卷积神经网络对训练集中的用户交互向量和物品交互向量进行计算，将每层的计算结果保存作为中间结果；

所述S2中的图卷积神经网络包括：

将上一层的用户交互向量和物品交互向量经过图卷积计算，得到本层的用户交互向量和物品交互向量，循环此过程K次，K＝3，将各层得到的用户交互向量和物品交互向量作为中间结果保存下来；

所述图卷积计算包括如下公式：

其中，为物品i当前层的向量表示，为用户u当前层的向量表示，为物品i在图卷积计算中下一层的向量表示，为用户u在图卷积计算中下一层的向量表示，为用户u的邻居节点集合，为物品i的邻居节点集合；

S3，将中间结果与初始结果利用自注意力计算进行融合，得到基于图卷积网络的推荐结果，所述初始结果为训练集中的用户交互向量和物品交互向量；

S4，利用因子分解机对训练集中的用户内容向量和物品内容向量进行计算，得到基于因子分解机的推荐结果；

所述S4中的因子分解机算法包括：

其中，ω为一阶权重，为二阶特征相互作用的权重，xu为用户内容向量，xi为物品内容向量，yFM为因子分解机的推荐结果；

S5，结合基于图卷积网络的推荐结果和基于因子分解机的推荐结果，得到融合的推荐结果，采用测试集与评价指标对融合的推荐结果进行验证，并更新权重矩阵；

S6，循环S2-S5，直到达到迭代终止条件，得到最终的融合图卷积神经网络和因子分解机的混合推荐结果，所述迭代终止条件为达到预设迭代轮次N，N＝100。

2.根据权利要求1所述融合图卷积神经网络和因子分解机的混合推荐方法，其特征在于，所述S1的预处理包括：S11，所述用户交互向量和物品交互向量包括用户id、物品id；

S12，所述用户内容向量包括用户id、用户年龄、用户性别、用户感兴趣的领域；

S13，所述物品内容向量包括id、物品价格、物品品类、物品销量。

3.根据权利要求1所述融合图卷积神经网络和因子分解机的混合推荐方法，其特征在于，所述S3包括：S31，随机生成初始WQ,WK,WV三个权重矩阵，将它们分别与各层得到的中间结果相乘，得到带权重的用户权重矩阵Qu,Ku,Vu和物品权重矩阵Qi,Ki,Vi，公式如下：其中，Iu为用户交互矩阵，Ii物品交互矩阵，为用户u第k层的向量表示，为物品i第k层的向量表示，Qu,Ku,Vu为用户权重矩阵，Qi,Ki,Vi为物品权重矩阵；

S32，将Qu,Ku,Qi,Ki权重矩阵做转置乘法后进入激活函数，得到注意力评分矩阵，公式如下：其中，Au为用户注意力评分矩阵，Ai为物品注意力评分矩阵；

S33，将得到的注意力评分矩阵与Vu,Vi做转置乘法，得到各层带权重的最终表达，公式如下：eu＝∑VuAu,ei＝∑ViAi，eu为各层带权重的最终表达；

S34，进行加和操作，得到最终的加权聚合结果作为基于图卷积网络的推荐结果，公式如下：yLGCN为基于图卷积网络的推荐结果。

4.根据权利要求1所述融合图卷积神经网络和因子分解机的混合推荐方法，其特征在于，所述S5包括：S51，结合基于图卷积网络的推荐结果和基于因子分解机的推荐结果，得到融合的推荐结果，公式如下：为融合的推荐结果；

S52，利用BPR Loss计算出推荐列表中用户有过交互行为的物品数量Lu；

S53，根据Lu计算出评价指标，公式如下：

其中，Recall@K即召回率，衡量的是Top K，K＝20推荐中，推荐列表中用户有过交互行为的物品数量Lu占测试集中用户所有有过交互行为的物品数量的比例，u表示用户，U为用户总数；

其中NDCG@K即归一化折损累计增益，衡量了推荐列表中不同位置推荐结果的相关性得分，i表示列表中的第i个结果；

S54，采用Adam优化器，根据得出的评价指标对用户权重矩阵Qu,Ku,Vu、物品权重矩阵Qi,Ki,Vi、一阶权重ω、二阶特征相互作用的权重进行更新。