1.一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，包括以下步骤：S1、获取单目标域用户和商品、群组和商品的购买数据，根据单目标域用户和商品、群组和商品购买数据生成用户‑商品交互二部图；根据用户商品交互二部图构建单目标域用户级别超图、项目级别超图以及双目标域的群组级别超图；

所述用户‑商品交互二部图表示用户购买商品的行为；

所述用户级别超图表示所有用户购买同一商品的行为；

所述项目级别超图表示同一用户购买所有商品的行为；

所述群组级别超图表示群组购买所有商品的行为；

S2、采用一个共享超图卷积算子对双目标域的群组级别超图进行图表示学习，生成双目标域用户特征向量，每个单目标域采用一个私有的超图卷积算子对用户级超图以及项目级超图进行表示学习，生成单目标域用户和项目特征向量；

S3、采用降噪自动编码器提取不同目标域之间用户相似偏好特征向量；

S4、为每个目标域设置专门的门控网络，通过门控网络融合单目标域用户特征向量、不同目标域之间用户相似偏好特征向量、双目标域用户特征向量，得到融合后的用户特征向量；

S5、通过多通道自注意力机制对群组用户进行特征交互，并对群组偏好进行表示，得到群组整体偏好特征向量；

S6、采用Pair‑wise方法联合学习群组整体偏好特征向量和融合后的用户特征向量与不同项目特征向量的预测评分，对评分进行排序并选取评分最高的群组作为被推荐对象。

2.根据权利要求1所述的一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，采用一个共享超图卷积算子对双目标域的群组级别超图进行图表示学习，生成双目标域用户特征向量，包括：其中，Zu表示生成的双目标域用户特征向量，Dg表示群组级超图中结点度矩阵，Bg表示(l)群组级超图中超边度矩阵，Hg代表群组级超图关联矩阵，Wg群组级超图中超边的权重,Z 表(l)示第l+1层共享超图卷积网络用户特征输入，当l＝0时表示的是初始的用户特征,P 表示共享超图卷积网络第l和第l+1层之间的参数矩阵，σ表示非线性激活函数，K表示超图卷积(l+1) (0)网络的层数，Z 表示第l+1层共享超图卷积网络用户特征输出，Z 表示的是初始的用户(i)特征，Z 表示第i层共享超图卷积网络用户特征输出。

3.根据权利要求1所述的一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，每个单目标域采用一个私有的超图卷积算子对用户级超图以及项目级超图进行表示学习，生成单目标域用户和项目特征向量，包括：其中， 和 分别表示用户级超图和项目级超图中结点度矩阵， 和 分别表示用户级超图和项目级超图中超边度矩阵， 和 分别表示用户级超图和项目级超图关联矩阵， 和 分别表示用户级超图和项目级超图中超边的权重， 和分别表示第l层超图卷积网络用户和项目特征输入， 表示a/b目标域超图卷积网络第l和第l+1层之间的参数矩阵，σ表示非线性激活函数，K表示超图卷积网络的层数，表示第l+1层用户级超图卷积网络用户特征输出， 表示第l+1层项目级超图卷积网络项目特征输出， 表示单目标域用户特征向量, 表示单目标域项目特征向量, 表示第i层用户级超图卷积网络用户特征输出, 表示第i层项目级超图卷积网络项目特征输出。

4.根据权利要求1所述的一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，采用降噪自动编码器提取不同目标域之间用户相似偏好特征向量，包括：其中,Qa/b表示不同目标域之间用户相似偏好特征向量， 和b分别表示Encoder的参数及偏差项，σ表示非线性激活函数， 表示b目标域特征向量 经过加噪后的特征向量。

5.根据权利要求1所述的一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，通过门控网络融合单目标域用户特征向量、不同目标域之间用户相似偏好特征向量、双目标域用户特征向量，得到融合后的用户特征向量，包括：其中， 表示a或b目标域门控网络， 表示单目标域用户特征向量，Zu表示双目a/b标域用户公共特征向量，Qa/b表示不同目标域之间用户相似偏好特征向量，α 表示门控网络输出经过softmax后得到权重分布，表示对这三个特征向量进行加权求和得到融合后的用户特征向量。

6.根据权利要求1所述的一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，通过多通道自注意力机制对群组用户进行特征交互，并对群组偏好进行表示，得到群组整体偏好特征向量，包括：a/b

其中， 表示群组整体偏好特征向量，U 表示多通道自注意力机制处理后输出群组用户特征向量， 表示群组中第i个用户的特征，k表示群组中a/b

用户数量，W 表示线性层。

7.根据权利要求1所述的一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，采用Pair‑wise方法联合学习群组整体偏好特征向量和融合后的用户特征向量与不同项目特征向量的预测评分，包括：通过向量内积计算融合后的用户对项目特征向量的预测评分，并利用Pair‑wise损失函数Luser优化融合后的用户特征向量对项目特征向量的预测评分：其中，ru,v表示融合后的用户特征向量Eu和项目特征向量 之间的内积，作为匹配分+ ‑数，表示用户和项目的匹配分数，ut表示用户，ui 和uj分别表示正例和负例，正例是与用户发生交互的项目，而未观察到用户交互项目作为负例，ru,v和 分别表示的用户和正例、负a/b a/b 2例的匹配分数，θ 表示a目标或b目标域模型参数，||θ || 为正则项，λ为正则项权重，ln表示对数函数，σ表示非线性激活函数， 表示定义在重构特征向量 和特征向量的损失函数， 表示用户‑项目交互数据， 表示Encoder的参数，表示Decoder的参数，⊙表示内积；

通过向量内积计算群组整体偏好特征向量和项目特征向量的预测分数，并利用Pair‑wise损失函数Luser优化群组整体偏好特征向量和项目特征向量的预测分数：其中，rg,v表示群组整体偏好特征向量Eg和项目特征向量 之间的内积，作为匹配分+ ‑数，它表示群组和项目的匹配分数，gt表示群组，ui 和uj 分别表示正例和负例，正例是与用户发生交互的项目，而未观察到用户交互项目作为负例，rg,v和 分别表示的群组和正例、a/b a/b 2负例的匹配分数，θ 表示a目标或b目标域模型参数，||θ || 为正则项，λ为正则项权重，ln表示对数函数，σ表示非线性激活函数， 表示定义在重构特征向量 和特征向量的损失函数， 表示群组‑项目交互数据， 表示Encoder的参数，表示Decoder的参数，⊙表示内积。