1.一种双视图对齐的负样本优化对比学习推荐方法，其特征在于，包括如下步骤：

步骤S1：构建深度学习模块，所述深度学习模块由多层的图卷积神经网络GCN、视图对齐模块、负样本优化器和对比学习模块组成，图卷积神经网络GCN和视图对齐模块呈并行结构，且数据交互，负样本优化器和对比学习模块依次呈串行结构；

步骤S2：构建用户物品二部图，用户物品二部图包括用户的节点和物品的节点，用户物品二部图的边表示用户与物品之间的交互行为,采用用户物品二部图构建出用户物品交互矩阵，其中，用户物品交互矩阵的每一行代表一个用户，每一列代表一个物品，用户物品交互矩阵的值表示用户与物品之间的交互程度；

步骤S3：将用户物品二部图输入图卷积神经网络中构建双视图；具体的，将用户物品交互矩阵的嵌入表示输入图卷积神经网络GCN中，在图卷积神经网络GCN的每层中，通过聚合每个用户的节点和物品的节点的邻居信息来更新用户的节点嵌入和物品的节点嵌入，将更新后的用户的节点嵌入和物品的节点嵌入进行归一化处理得到邻域聚合的节点嵌入，同时，通过跳跃连接加入初始的用户的节点嵌入和物品的节点嵌入信息，接着对图卷积神经网络GCN的每层输出聚合在一起得到一个原始视图，对原始视图加入自适应噪声作为数据增强得到增强视图，将原始视图和增强视图组合在一起形成双视图；

步骤S4：通过视图对齐模块将双视图中用户的节点嵌入和物品的节点嵌入对齐，得到对齐后的双视图；

步骤S5：从对齐后的双视图中抽取用户和物品的正样本以及负样本，并采用负样本优化器对用户和物品的正样本以及负样本进行优化；

步骤S6：将优化后的用户和物品的正样本、负样本输入至对比学习模块中，通过采用贝叶斯个性化排序对用户和物品的正样本、负样本进行排名，采用联合对比学习损失最大化用户和物品的正样本、负样本之间的相互信息来训练图卷积神经网络GCN，训练完成后，得到训练好的深度学习模型，将训练好的深度学习模型进行实际应用。

2.根据权利要求1所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S4的具体过程为：步骤S4.1：首先采用欧式距离衡量双视图中用户的节点嵌入和物品的节点嵌入之间的差异性，再通过L2范数归一化差异，将差异性的距离值转换为指数形式，并取平均值，再对平均值进行自然对数处理，得到均匀性损失值，采用均匀性损失值将用户的节点嵌入和物品的节点嵌入在表示空间中均匀分布。

3.根据权利要求2所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S3中，将用户物品交互矩阵的嵌入表示输入图卷积神经网络GCN中，在图卷积神经网络GCN的每层中，通过聚合每个用户的节点和物品的节点的邻居信息来更新用户的节点嵌入和物品的节点嵌入的具体过程为：图卷积神经网络GCN在每一层聚合过程中，采用邻域的聚合方法来更新用户的节点嵌入和物品的节点嵌入；具体的，对每一个用户式中，

4.根据权利要求3所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S3中，将更新后的用户的节点嵌入和物品的节点嵌入进行归一化处理得到邻域聚合的节点嵌入，同时，通过跳跃连接加入初始的用户的节点嵌入和物品的节点嵌入信息的具体过程为：对图卷积神经网络GCN每一层的输出即更新后的用户的节点嵌入和物品的节点嵌入进行归一化处理，同时加入初始的用户的节点嵌入式中，

5.根据权利要求4所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S3中，对原始视图加入自适应噪声作为数据增强得到增强视图的具体过程为：在原始视图的用户的节点嵌入式中，

6.根据权利要求5所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S4.1的具体过程为：使用L2范数对双视图中用户的节点嵌入和物品的节点嵌入进行嵌入标准化，将标准化后的用户的节点嵌入式中，

使用欧式距离衡量归一化后用户的节点嵌入和物品的节点嵌入之间的差异性，捕捉差异模式，将距离值转换为指数形式，并取指数值的平均值，最后对指数值的平均值进行自然对数处理，得到均匀性损失值，表示为：式中，

将图卷积神经网络GCN中同一层输出的用户的节点嵌入和物品的节点嵌入的对齐损失即相似度损失通过平均值进行合并，表示为：式中，

7.根据权利要求6所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S5的具体过程为：将对齐后的双视图中同一对用户和物品的节点嵌入作为用户和物品的正样本，随机抽取对齐后的双视图中用户和未与该用户交互的物品的节点嵌入作为用户和物品的负样本，为物品和用户的正样本以及物品和用户的负样本分别分配权重，权重基于物品和用户的正样本以及物品和用户的负样本的相对重要性进行计算，随后，采用余弦相似度度量方法计算用户与物品的正样本和用户与物品的负样本之间的相似度得分，表示为：式中，

根据

式中，

首先多层感知机MLP分别采用自身的线性层和隐藏层对相似度得分

8.根据权利要求7所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S6中，通过采用贝叶斯个性化排序对比损失对用户和物品的正样本、负样本进行排名的具体过程为：通过优化用户和物品的正样本和负样本得到准确的式中，

9.根据权利要求8所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S6中，采用对比学习损失最大化用户和物品的正样本、负样本之间的相互信息的具体过程为：采用InfoNCELoss对比学习损失函数最大化用户和物品的正样本以及负样本之间的相互信息，表示为：式中，