1.一种用于图神经网络训练的单层增强负样本生成算法，其特征在于，包括以下步骤：S1、确定目标数据集Ω，包含用户集U＝{u}和物品集V＝{v}，以及用户的隐式反馈o+＝{(u,v+)∣u∈U,v+∈V}，其中v+表示与用户有交互的物品，初始化目标数据集Ω的用户物品的特征向量，获得传播聚合后目标用户及物品的L层嵌入表示，随机选择目标用户的s个负样本组成候选集Φ，目标用户的各层低维嵌入表示为物品嵌入表示为S2、计算目标数据集Ω的数据结构特征稠密度D，根据稠密度大小确定从GCN生成的L+1层嵌入中选出的某一层m的具体值，其嵌入表示为S3、处理随机系数λ(m)作为正负样本的m层混合系数；

S4、根据随机系数λ(m)和嵌入对候选集S中的负样本，及与目标用户有过交互的正样本的第m层的嵌入进行混合插值，得到混合后的第m层嵌入S5、将混合后的第m层嵌入与其原始的其它层嵌入重新组合成完整的L+1层嵌入并参与池化，得到混合后合成负样本的完整嵌入表示通过组合池化目标用户的各层低维嵌入表示消除过平滑，得到目标用户的嵌入表示S6、根据目标用户的嵌入表示和混合后合成负样本的完整嵌入表示通过内积计算物品得分S7、根据物品得分对推荐系统模型的训练Loss函数进行更新。

2.根据权利要求1所述用于图神经网络训练的单层增强负样本生成算法，其特征在于，步骤S1中，神经网络传播层数L＝{1,2,3,4}，候选集Φ的大小取值为{16,32,64}。

3.根据权利要求2所述用于图神经网络训练的单层增强负样本生成算法，其特征在于，步骤S2中，对于D∈[10-3,1)，即稠密度较高的数据集取m＝1；对于D∈[10-4,10-3)，即稠密度较低的数据集，取m＝2；对于D<10-4，即稠密度极低的数据集，选择更深层的嵌入进行混合，即3≤m≤L。

4.根据权利要求3所述用于图神经网络训练的单层增强负样本生成算法，其特征在于，步骤S3中，随机系数λ(m)服从Beta(α,α)分布，通过调整α参数值产生不同的概率分布作为正负样本的m层混合系数。

5.根据权利要求4所述用于图神经网络训练的单层增强负样本生成算法，其特征在于，步骤S4中，混合后的第m层嵌入

6.根据权利要求5所述用于图神经网络训练的单层增强负样本生成算法，其特征在于，步骤S5中，混合后合成负样本的完整嵌入表示

目标用户的嵌入表示

7.根据权利要求6所述用于图神经网络训练的单层增强负样本生成算法，其特征在于，池化方法为求和池化、平均池化和连接池化中的一种。

8.根据权利要求7所述用于图神经网络训练的单层增强负样本生成算法，其特征在于，步骤S6中，物品得分

9.根据权利要求8所述用于图神经网络训练的单层增强负样本生成算法，其特征在于，步骤S7中，推荐系统模型的训练Loss函数更新为其中，σ(·)为Sigmoid函数，O+为目标用户的正样本集合。

10.一种基于正负样本的推荐系统模型训练方法，其特征在于，采用了权利要求1～9任一项所述用于图神经网络训练的单层增强负样本生成算法。