1.一种供应链数据共享方法，其特征在于，包括：获取当前供应链中的实体类型；将当前供应链中的实体类型输入至训练后的供应链实体共享模型；所述供应链实体共享模型根据依赖关系生成当前供应链中的实体类型对应的下游实体类型，并基于最小化预测能力值与真实能力值的排序损失而对下游实体类型进行排序；所述供应链实体共享模型的训练步骤包括：S1、构建供应链的图结构；S2、根据所述图结构，确定供应链的训练集；S3、应用所述供应链的训练集训练图结构模型；S4、当图结构模型达到收敛条件时，将其作为所述供应链实体共享模型；其中，所述收敛条件是：当排序损失的变化量小于预设变化量阈值，或当迭代次数达到预设最大次数；或当梯度变化小于预设梯度变化阈值；构建供应链的图结构，包括：S1-1，获取供应链中的不同实体类型，以及该实体类型对应的真实能力值；S1-2，将不同的实体类型以及对应的真实能力值定义为所述图结构的节点；S1-3，根据不同的实体类型，确定不同的实体类型之间的依赖关系；S1-4，将不同的实体类型之间的依赖关系定义为图结构的边，并构建为邻接矩阵；所述邻接矩阵表征不同实体类型之间的依赖关系；根据所述图结构，确定供应链的训练集，包括：S2-1、创建图结构中节点和所述训练集的映射关系；其中，所述映射关系是：节点中的实体类型关联为输入特征，节点中的真实能力值关联为目标标签；S2-3，将实体类型和对应的真实能力值组合为二元数组，构建为训练样本;S2-4，获取多个训练样本，构建为所述供应链的训练集；应用所述供应链的训练集训练图结构模型，包括：S3-1，将所述训练集以及邻接矩阵输入至图结构模型；其中，实体类型作为图结构模型的特征变量，真实能力值作为图结构模型的目标变量，邻接矩阵表征不同实体类型之间的依赖关系；S3-2，将每个节点的实体类型进行初始化，得到该节点的嵌入向量；S3-3，每个当前节点和相邻节点通过依赖关系交互，得到更新后嵌入向量；所述更新后嵌入向量的更新表达式为： ；其中， 表示一个更新后嵌入向量， 表示图结构的节点， 表示图结构模型的神经层； 表示非线性激活函数， 表示 层的权重矩阵，用于将 层的嵌入向量转换为下一层的输入向量； 表示节点 的相邻节点集合， 表示聚合相邻节点嵌入向量的权重矩阵；S3-4，根据更新后嵌入向量，得到每个节点的预测能力值；所述预测能力值的表达式为： ；其中， 表示节点 的预测能力值， 表示节点 在图结构模型的最后一层嵌入向量， 表示神经层的权重矩阵， 表示神经层的偏置项；S3-5，根据每个节点的预测能力值，计算每个节点的排序损失；所述排序损失的损失函数为： ；其中， 表示排序损失， 表示节点u的预测能力值， 表示任意节点u和节点v之间的预测能力值损失， 表示节点u的真实能力值， 表示任意节点u和节点v之间的真实能力值损失；S3-6，通过梯度下降算法，最小化排序损失，迭代更新模型神经层的权重矩阵和偏置项；通过梯度下降算法，最小化排序损失，迭代更新模型神经层的权重矩阵和偏置项，包括：S3-6-1，对排序损失关于权重矩阵与偏置项求偏导，得到权重矩阵梯度以及偏置项梯度；所述权重矩阵梯度的求偏导表达式为： ；其中， 表示权重矩阵梯度， 和 分别表示排序损失关于节点u和节点v的预测能力值的偏导；所述偏置项梯度的求偏导表达式为： ；其中， 表示偏置项梯度；S3-6-2，通过求偏导后的权重矩阵梯度以及求偏导后的偏置项梯度分别迭代更新下一次权重矩阵以及下一次偏置项；所述下一次权重矩阵的更新表达式为： ；其中， 表示下一次权重矩阵， 表示当前次权重矩阵， 表示学习率，表征控制更新的步长；所述下一次偏置项的更新表达式为： ；其中， 表示下一次偏置项， 表示当前次偏置项；所述供应链实体共享模型根据依赖关系生成当前供应链中的实体类型对应的下游实体类型，并基于最小化预测能力值与真实能力值的排序损失而对下游实体类型进行排序，包括：C1，根据输入的当前供应链中的实体类型及其依赖关系，供应链实体共享模型输出的下游实体类型集合；所述下游实体类型集合的表达式为： ；其中， 表示当前供应链中的实体类型， 表示当前输出的下游实体类型的预测能力值集合，N表示实体类型数量；Graph表示在训练阶段，模型学习到的依赖关系； 表示在使用阶段下预测能力值的模型；C2，根据下游实体类型的预测能力值，对输出的下游实体类型进行排序，生成上游实体类型匹配的下游实体类型排序集；所述排序的表达式为： ；其中， 表示与上游实体类型匹配的下游实体类型，Rank表示实体类型的排序函数，sort表示预测能力值的排序函数。
2.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器运行时，实现权利要求1所述的一种供应链数据共享方法。
