1.一种基于图神经网络的项目信息服务推荐方法，其特征在于，包括以下步骤：步骤1、获取数据集；

步骤2、构建二部图；

步骤3、构建M-LGACL模型，包括特征向量初始化模块、Mixup数据增强模块、轻量化图卷积层、交叉注意力机制、对比损失学习模块；

步骤4、通过对步骤3构建好的M-LGACL模型不断迭代，生成训练好的M-LGACL模型；

步骤5、通过计算召回率及归一化折损累计增益对模型性能进行评估；

步骤2中二部图构建的具体过程如下：

S21、命名实体抽取：利用自然语言处理技术从数据集中识别并提取出命名实体；命名实体包括项目名称、用户、商家、位置信息；

S22、关系抽取：对于已识别的命名实体，通过分析它们在数据中的关联性，抽取出实体间的关系；

S23、属性抽取：在抽取出命名实体和关系后，进一步提取每个命名实体的属性信息；属性信息包括项目的类别、价格、用户的偏好和商家的评分；

S24、将命名实体、关系和属性信息结合，完成用户项目的二部图构建；

特征向量初始化模块是将用户u和项目i的嵌入矩阵分别建成一个整体嵌入矩阵，具体表达式如下：式中，嵌入向量表示用户u的特征，嵌入向量表示项目i的特征，表示实数集，d表示嵌入向量的维度，表示用户u的整体嵌入矩阵，表示项目i的整体嵌入矩阵；

Mixup数据增强模块具体为：选择两个相似的用户训练样本和或相似的项目训练样本和，生成一个新的训练样本或，这里和分别是两个用户的嵌入向量，和分别是项目的嵌入向量具体表达式如下：式中，是一个从Beta分布Beta（，）中随机采样得到的值，；

轻量化图卷积层的操作过程具体为：

首先，将用户u和项目i在初始时的嵌入和进行聚合，具体表达式如下：然后，通过叠加多层图卷积聚合不同距离的邻居信息，形成最终的用户和项目嵌入、，具体表达式如下：最后，将嵌入的传播过程通过矩阵形式表示，具体如下：定义用户-项目交互矩阵为，其中，M 和N分别表示用户和项目的数量，如果u与i交互，则R为1，否则为0；则用户-项目交互的邻接矩阵如下：其中T是嵌入大小，给定第0层的嵌入矩阵，嵌入的传播过程通过下述矩阵形式的公式描述，具体如下：式中，和分别表示第k层是用户u和项目i的嵌入，和分别表示用户u和项目i的邻居集合，K是图卷积的层数，是第k层的最终嵌入中的权重，表示第k层的节点嵌入矩阵，每一列代表图中一个节点的嵌入向量，A是图的邻接矩阵；D是一个的对角矩阵，是进行归一化处理的操作；

交叉注意力机制具体为：对于每个用户u和项目i定义用户的查询、键、值为，，，项目的查询、键、值为，，；然后，通过如下方式计算交叉注意力，包括用户查询、项目的键、项目的值、用户对项目的注意力权重，具体计算表达式如下：式中，、、表示权重矩阵，表示用户的特征，表示项目的特征，表示是键向量的维度；

对比损失学习模块包括Triplet Loss的设计和优化，具体为：Triplet Loss的表达式如下：

通过InfoNCE对Triplet Loss进行优化，具体表达式如下：式中，是输出的一个用户向量，是一个正样本项目向量，表示用户喜欢的项目，是一个负样本项目向量，表示用户不喜欢的项目，是一个预先定义的间隔参数，用于控制正样本对与负样本对之间的距离差异，d( , )是距离度量函数，用来衡量向量和、之间的距离或相似度，是温度参数，控制相似度的尺度；

步骤5中召回率的计算表达式如下：

式中，表示实际为正例且被预测为正例的样本数，表示实际为正例但被预测为负例的样本数；

归一化折损累计增益的计算表达式如下：

式中，表示推荐结果在位置i的相关性得分，表示推荐结果在排名列表中的位置顺序，是位置i的折损因子，表示折损累计增益，表示理想折损累计增益。