1.一种兴趣点推荐方法，其特征在于，包括：获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的；其中，所述兴趣点推荐模型的损失函数是基于利用链接预测机制由所述用户条目交互数据样本得到的用户和与所述用户具有关联的条目之间的关联程度，以及利用注意力机制由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，与按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度之间的差异程度确定的；所述兴趣点推荐模型的损失函数为：其中 为所述关联程度的函数； 为所述差异程度的函数；α为预设的代表权重的超参数；所述关联程度的函数为：所述差异程度的函数为：其中，u，v分别代表用户和条目；(u,v)和(u ′ ,v ′ )分别为所述用户条目交互数据样本真实存在的用户条目交互对，和虚假存在的用户条目交互对； 和 分别为真实存在的用户条目交互对集合和虚假存在的用户条目交互对集合；γ为预设的代表计算边界的超参数； 和 分别为按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和；m和n分别为所述用户条目交互数据样本中用户的总数和条目的总数； 和 分别为利用注意力机制得到的用户i与用户j，以及条目i与条目j间的相似度；所述按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和分别为：其中，R∈{0,1}，表示用户和条目的交互；d为度，表示与用户交互的条目总数，或与条目交互的用户总数。
2.根据权利要求1所述的兴趣点推荐方法，其特征在于，所述用户和与所述用户具有关联的条目之间的关联程度，包括：所述用户和与所述用户具有关联的条目之间的距离差。
3.根据权利要求1至2中任一项所述的兴趣点推荐方法，其特征在于，所述将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据，具体包括：将所述用户条目交互数据输入所述兴趣点推荐模型的交互关系分析层，得到与所述目标用户具有交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有交互关联的所有用户信息；将所述所有条目信息和所述所有用户信息输入所述兴趣点推荐模型的相似度分析层，得到所述所有条目信息中的条目与条目，以及所述所有用户信息中的用户与用户间的相似度矩阵；将所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵输入所述兴趣点推荐模型的结果输出层，由所述结果输出层根据所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵构建的推荐交互矩阵，得到为所述目标用户推荐的兴趣点条目数据。
4.根据权利要求3所述的兴趣点推荐方法，其特征在于，所述将所述用户条目交互数据输入所述兴趣点推荐模型的交互关系分析层，得到与所述目标用户具有交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有交互关联的所有用户信息，具体包括：将所述用户条目交互数据输入所述交互关系分析层的一阶交互关系分析层，由所述一阶交互关系层基于图注意力机制对所述用户条目交互数据进行处理，得到与所述目标用户具有直接交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有直接交互关联的所有用户信息；将所述具有直接交互关联的所有条目信息，以及所述具有直接交互关联的所有用户信息，输入所述交互关系分析层的二阶交互关系分析层，由所述二阶交互关系分析层基于交叉注意力机制对所述具有直接交互关联的所有条目信息，以及所述具有直接交互关联的所有用户信息进行处理，得到与所述目标用户具有潜在交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有潜在交互关联的所有用户信息；将所述具有直接交互关联的所有条目信息、所述具有直接交互关联的所有用户信息、所述具有潜在交互关联的所有条目信息、所述具有潜在交互关联的所有用户信息，输入所述交互关系分析层的关系构建层，得到由所述具有直接交互关联的所有条目信息和所述具有潜在交互关联的所有条目信息拼接构成的与所述目标用户具有交互关联的所有条目信息，以及由所述具有直接交互关联的所有用户信息和所述具有潜在交互关联的所有用户信息拼接构成的与所述目标用户所搜索的条目信息具有交互关联的所有用户信息。
5.根据权利要求4所述的兴趣点推荐方法，其特征在于，所述由所述结果输出层根据所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵构建的推荐交互矩阵，得到为所述目标用户推荐的兴趣点条目数据，具体包括：由所述结果输出层根据由所述用户条目交互数据构建的原始交互矩阵，和所述推荐交互矩阵，基于预设公式，得到为所述目标用户推荐的兴趣点条目数据；所述预设公式为：其中，R*为所述推荐交互矩阵，R为所述原始交互矩阵； 和 分别为用分别为用户与用户间和条目与条目间的相似度矩阵与推荐交互矩阵之间的匹配度差异，λ 1 ，λ 2 ，λ 3 为预设的代表权重的超参数。
6.根据权利要求5所述的兴趣点推荐方法，其特征在于，所述用户与用户间和条目与条目间的相似度矩阵与推荐交互矩阵之间的匹配度差异，分别为：其中，T为矩阵的转置；：表示取值为矩阵的行或列的所有值；L为相似度矩阵的拉普拉斯正则化；tr表示矩阵迹运算。
7.一种兴趣点推荐系统，其特征在于，包括：数据获取模块，用于获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；数据处理模块，用于将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的；其中，所述兴趣点推荐模型的损失函数是基于利用链接预测机制由所述用户条目交互数据样本得到的用户和与所述用户具有关联的条目之间的关联程度，以及利用注意力机制由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，与按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度之间的差异程度确定的；所述兴趣点推荐模型的损失函数为：其中 为所述关联程度的函数； 为所述差异程度的函数；α为预设的代表权重的超参数；所述关联程度的函数为：所述差异程度的函数为：其中，u，v分别代表用户和条目；(u,v)和(u ′ ,v ′ )分别为所述用户条目交互数据样本真实存在的用户条目交互对，和虚假存在的用户条目交互对； 和 分别为真实存在的用户条目交互对集合和虚假存在的用户条目交互对集合；γ为预设的代表计算边界的超参数； 和 分别为按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和；m和n分别为所述用户条目交互数据样本中用户的总数和条目的总数； 和 分别为利用注意力机制得到的用户i与用户j，以及条目i与条目j间的相似度；所述按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和分别为：其中，R∈{0,1}，表示用户和条目的交互；d为度，表示与用户交互的条目总数，或与条目交互的用户总数。
