1.一种融合区域负采样和图对比学习的推荐方法，其特征在于，包括如下步骤：步骤S1：构建数据集，数据集包括交互数据，交互数据包括用户数据和项目数据，根据交互数据构建二部图，将二部图转换为二维向量结构并进行归一化处理获取归一化邻接矩阵；

步骤S2：构建推荐网络模型，将步骤S1中的归一化邻接矩阵导入到推荐网络模型的多层图卷积网络中进行邻域信息聚合，获得主视图的节点嵌入并对主视图的节点嵌入进行区域负采样，构建贝叶斯个性化排序损失函数对区域负采样过程进行计算；

步骤S3：对步骤S1获取的归一化邻接矩阵进行随机奇异值分解操作得到增强视图，通过图卷积网络获得增强视图的节点嵌入，利用增强视图的节点嵌入和步骤S2的主视图的节点嵌入构建对比学习损失函数；

步骤S4：构建总损失函数对步骤S2的成对损失函数与步骤S3的对比学习损失函数进行联合训练，最小化总损失函数的损失优化推荐网络模型的参数；

导入用于测试的用户数据至训练后的推荐网络模型，推荐网络模型通过计算预测评分，根据最高的预测评分输出对应的项目数据作为预测推荐；

将步骤S1中的归一化邻接矩阵导入到推荐网络模型的多层图卷积网络中进行邻域信息聚合，获得主视图的节点嵌入并对主视图的节点嵌入进行区域负采样，构建成对损失函数对区域负采样过程进行计算，具体为：将归一化邻接矩阵放入多层图卷积网络中进行邻域信息聚合，以获取主视图的节点的嵌入，在多层图卷积网络的第其中，

主视图的节点嵌入为多层图卷积网络的所有层的嵌入向量的总和，主视图的节点嵌入包括用户数据的节点嵌入和项目数据的节点嵌入，用户数据的节点嵌入的转置和项目数据的节点嵌入的内积则表示用户数据对项目数据的预测评分，如下式所示：其中，

步骤S2中的获得主视图的节点嵌入并对主视图的节点嵌入进行区域负采样，具体为：步骤S21:定义采样边界,预采样项目数据的负项候选集以减少计算工作量，对于每组交互数据，通过对边界项进行采样以定义负采样区域，以保持负采样区域的最佳大小，计算用户数据的嵌入向量与项目数据的嵌入向量的点积分数，选择最高的点积分数的作为边界项来定义采样边界，计算过程如下所示：其中，

步骤S22:进行区域性采样,推荐网络模型进行边界项和正项之间的独立于维度的混合以探索硬负区域内的非对角空间，并将线向采样扩展到区域采样，通过在连续空间中生成负项，对步骤S21中负采样区域进行第其中，

插值权重

其中，

采用拼接函数将维度连接在一起以获得负项嵌入，如下式所示；

其中，

步骤S23：构建贝叶斯个性化排序损失函数，如下所示：其中，

通过比较每个交互数据对中用户数据对负项和正项的项目数据的预测评分，使得步骤S3具体为：

步骤S31:构建增强视图,利用低秩的正交矩阵来近似输入归一化邻接矩阵的范围，然后对得到的矩阵进行随机奇异值分解，具体操作如下所示：其中，

将

其中，

步骤S32：构建对比学习损失函数，如下所示：其中，

2.根据权利要求1所述的一种融合区域负采样和图对比学习的推荐方法，其特征在于，步骤S4中的构建总损失函数对步骤S2的成对损失函数与步骤S3的对比学习损失函数进行联合训练，具体为：构建总损失函数，表示为：

其中，