1.一种基于多层循环图卷积网络的跨域推荐方法，其特征在于，应用于跨域推荐系统，所述跨域推荐系统包括伪重叠判定模块、多层循环图卷积网络模块和预测模块；

所述方法包括：

在所述伪重叠判定模块中，基于源域与目标域的用户-项目评分矩阵计算用户间的初始相似度、项目间的初始相似度，初始化每个用户为一个社区，采用改进的基于模块度的社区发现算法进行域间社区聚类，在聚类过程中，利用用户间的初始相似度计算社区内部权重和、以及与社区中节点相连边的权重和，再结合社区内重叠用户权重，计算将用户移入所有邻居用户所在社区所产生的模块度增益，然后将用户移入使其获得最大模块度增益的社区，以实现社区集变换，再重新计算社区集变换后的社区内部权重和、以及与社区中节点相连边的权重和，经过预设次数的迭代，使总体社区网络的模块度增益达到最大，从而得到最优社区网络，再基于最优社区网络中的共同邻居计算用户间的最终相似度、项目间的最终相似度，最后基于用户间的最终相似度、项目间的最终相似度得到用户相似度矩阵和项目相似度矩阵；

所述多层循环图卷积网络模块包括嵌入层、图学习层和门控网络层，在所述多层循环图卷积网络模块中，将用户相似度矩阵和项目相似度矩阵作为嵌入层的输入，通过嵌入层输出用户嵌入向量和项目嵌入向量，将用户嵌入向量和项目嵌入向量作为图学习层输入，通过图学习层输出用户-项目偏好权重，并在图学习层中，采用自适应幅度剪枝策略动态调整用户-项目偏好权重，基于用户-项目偏好权重生成源域的域特有节点嵌入向量、目标域的域特有节点嵌入向量、域共享节点嵌入向量，最后利用门控网络层，对源域的域特有节点嵌入向量和域共享节点嵌入向量进行组合，生成源域的组合特征向量，对目标域的域特有节点嵌入向量和域共享节点嵌入向量进行组合，生成目标域的组合特征向量；

将源域的组合特征向量和目标域的组合特征向量输入至所述预测模块中，采用多层感知机分别对源域与目标域的用户-项目交互建模，输出最终预测交互评分，并根据最终预测交互评分分别向源域与目标域的用户提供项目推荐列表。

2.根据权利要求1所述的基于多层循环图卷积网络的跨域推荐方法，其特征在于，采用下式计算用户间的初始相似度：其中，

将用户

其中，

3.根据权利要求2所述的基于多层循环图卷积网络的跨域推荐方法，其特征在于，采用下式计算用户间的最终相似度：其中，

4.根据权利要求3所述的基于多层循环图卷积网络的跨域推荐方法，其特征在于，所述嵌入层满足以下条件式：其中，

5.根据权利要求4所述的基于多层循环图卷积网络的跨域推荐方法，其特征在于，所述图学习层满足以下条件式：其中，

6.根据权利要求5所述的基于多层循环图卷积网络的跨域推荐方法，其特征在于，采用自适应幅度剪枝策略动态调整用户-项目偏好权重的过程中，满足以下条件式：其中，

7.根据权利要求6所述的基于多层循环图卷积网络的跨域推荐方法，其特征在于，所述源域的域特有节点嵌入向量包括源域的域特有用户节点嵌入向量所述门控网络层满足以下条件式：

其中，

8.根据权利要求7所述的基于多层循环图卷积网络的跨域推荐方法，其特征在于，所述最终预测交互评分包括源域的最终预测交互评分所述预测模块满足以下条件式：

其中，

9.根据权利要求8所述的基于多层循环图卷积网络的跨域推荐方法，其特征在于，在所述预测模块中，源域的损失函数其中，

所述预测模块的总损失函数

其中，