1.一种结合自适应周期与兴趣量因子的图卷积网络推荐方法，其特征在于，所述方法包括：步骤1，将多个用户针对不同项目的历史行为记录转化成以时间间隔为单位的行为记忆序列；

步骤2，从行为记忆序列中提取出每个用户的浏览次数和浏览周期，根据浏览次数和浏览周期对同种类型项目下不同用户间的兴趣周期进行K均值聚类，得到同种类型项目下不同兴趣形态下的用户群，再使用多元线性回归方式拟合出同种类型项目下不同兴趣形态的函数表示，最后根据目标用户所属的兴趣形态匹配拟合出相应函数，并得到自适应周期；

步骤3，根据目标用户的行为记忆序列，按照预设的周期间隔数对目标用户的浏览周期进行切割，结合目标用户在单位周期内的浏览情况和设定的兴趣浮点变化规则，构建出用户‑项目兴趣浮点模型，进一步使用Sigmoid函数对用户‑项目兴趣浮点模型进行平滑优化，将用户‑项目兴趣浮点模型中最后一个兴趣浮点的数值作为目标用户对目标类型的项目的当前兴趣量因子；

步骤4，结合艾宾浩斯遗忘曲线构建可计算用户兴趣程度的兴趣模型，将步骤2得到的自适应周期和步骤3得到的当前兴趣量因子代入兴趣模型，得出目标用户对目标类型的项目的兴趣程度，再根据该兴趣程度计算兴趣权重占比，根据该兴趣权重占比对不同类型的项目进行排序，再根据排序情况构建用户‑类型‑项目三元图结构，最后将用户‑类型‑项目三元图结构输入到图卷积网络模型中，得出目标用户对各个项目的得分，按照得分大小对各个项目进行排序以及组建推荐列表；

在所述步骤2中，自适应周期的计算公式如下：

；

且 ；

其中，表示目标用户对项目的兴趣形态标识， 与 分别表示第1个、第2个与第个兴趣形态， 与 均表示偏置参数，为条件表达式函数， 与 均表示权重参数，表示浏览次数，表示浏览周长；

所述步骤3具体包括：

步骤3.1，定义一个周期间隔数，将其作为单位周期间隔长度，将目标用户的浏览周期切分为 块；

步骤3.2，设定如下兴趣浮点变化规则：

（1）有效切分指数从第一次出现用户对项目产生行为开始计数，逐个切分周期递进，有行为则加一个单位，否则减一个单位；

（2）预先设置兴趣量的有效饱和值；

（3）若用户对新项目产生行为，则兴趣指数从0开始计数；若用户对旧项目再一次产生行为，则兴趣指数在原来的数值上继续计数；

步骤3.3，根据目标用户在单位周期内的浏览情况以及上述的兴趣浮点变化规则，构建出用户‑项目兴趣浮点模型，对于用户‑项目兴趣浮点模型得到的每个兴趣浮点的数值，使用Sigmoid函数进行平滑优化，Sigmoid函数的表达式如下：；

其中，表示兴趣浮点的数值，表示预先设置的兴趣量的有效饱和值，为控制参数，为自然数底；

步骤3.4，将用户‑项目兴趣浮点模型中最后一个兴趣浮点的数值作为目标用户对目标类型的项目的当前兴趣量因子。

2.根据权利要求1所述的结合自适应周期与兴趣量因子的图卷积网络推荐方法，其特征在于，在所述步骤1中，行为记忆序列的表达式如下：；

其中，表示行为记忆序列，表示交互总次数，表示用户对项目进行第1次浏览和第2次浏览的时间间隔，表示用户对项目进行第2次浏览和第3次浏览的时间间隔，表示用户对项目进行第3次浏览和第4次浏览的时间间隔， 表示用户对项目进行第 次浏览和第 次浏览的时间间隔，表示用户最近一次对项目进行浏览的时间戳，为自适应周期。

3.根据权利要求1所述的结合自适应周期与兴趣量因子的图卷积网络推荐方法，其特征在于，所述步骤4具体包括：步骤4.1，结合艾宾浩斯遗忘曲线构建可计算用户兴趣程度的兴趣模型，兴趣模型的函数 的表达式为：；

其中，为固定值0.00255，为自然数底，和 均为常数，表示时间轴的放大倍数；

步骤4.2，采用下式计算目标用户对目标类型的项目的兴趣程度：；

其中，表示目标用户对目标类型的项目的兴趣程度，表示目标用户对目标类型的项目的当前兴趣量因子；

步骤4.3，采用下式计算兴趣权重占比：

；

；

；

；

其中， 表示兴趣权重占比，表示兴趣权重占比中间值， 表示目标用户对所有类型的项目的兴趣程度， 表示项目的类型总数，表示目标用户对第 种类型的项目的兴趣程度，表示目标用户意图系数， 表示最近一个周期内目标用户浏览项目的类型数，表示最近一个周期内目标用户浏览第I种类型的项目，表示最近一个周期内目标用户对第I种类型的项目的浏览次数， 表示最近一个周期内目标用户对目标类型的项目的浏览次数，表示选择距离当前时刻最近 个周期内的第 个周期浏览的项目的类型总数， 表示项目类型为第I种的项目数量，表示第一周期数，表示第二周期数， ；

步骤4.4，根据兴趣权重占比对不同类型的项目进行排序，再根据排序情况构建用户‑类型‑项目三元图结构，将用户‑类型‑项目三元图结构输入到图卷积网络模型中，得出目标用户对各个项目的得分，按照得分大小对各个项目进行排序以及组建推荐列表。

4.根据权利要求3所述的结合自适应周期与兴趣量因子的图卷积网络推荐方法，其特征在于，所述步骤4.4中，图卷积网络模型的输入为用户‑类型‑项目三元图结构组成的嵌入表示，输出为预测值，图卷积网络模型包括由嵌入层、图传播层及预测层，图卷积网络模型满足以下条件式：；

；

；

其中， 表示预测值，即用户 对项目 的得分， 表示用户 的嵌入矩阵，表示项目的嵌入矩阵，表示图卷积网络模型的总层数，表示图卷积网络模型中的第 层， 表示用户 在第 层的潜在嵌入矩阵， 表示项目 在第 层的潜在嵌入矩阵， 表示第 层的权重，表示转置操作。