1.一种信息推荐的方法，其特征在于，包括：
响应于用户的业务请求，获取预设的业务拓扑图，以及确定针对所述业务请求的各候选推荐业务对象，所述业务拓扑图是根据至少两种业务的历史业务记录构建出的，所述业务拓扑图中包含有各用户节点以及各业务对象节点，其中，若一个用户在历史上执行过一个业务对象对应的业务，在所述业务拓扑图中该用户对应的用户节点与该业务对象对应的业务对象节点相连；
针对每个候选推荐业务对象，将该候选推荐业务对象以及所述用户的用户信息输入到预先训练的特征提取模型中，以使所述特征提取模型基于所述业务拓扑图，确定出该候选推荐业务对象对应的特征向量以及所述用户对应的特征向量；
将所述用户对应的特征向量以及该候选推荐业务对象对应的特征向量，输入到预先训练的预测模型中，得到该候选推荐业务对象对应的推荐度；
根据所述各候选推荐业务对象对应的推荐度，对所述用户进行信息推荐。
2.如权利要求1所述的方法，其特征在于，将该候选推荐业务对象以及所述用户的用户信息输入到预先训练的特征提取模型中，以使所述特征提取模型基于所述业务拓扑图，确定出该候选推荐业务对象对应的特征向量以及所述用户对应的特征向量，具体包括：
将该候选推荐业务对象对应的业务属性信息以及所述用户的用户信息输入到所述特征提取模型中，以使所述特征提取模型从所述业务拓扑图中确定出该候选推荐业务对象对应的业务对象节点，以及所述用户对应的用户节点，并将该候选推荐业务对象对应的业务对象节点，以及所述用户对应的用户节点，分别作为目标节点；
针对每个目标节点，通过所述特征提取模型，确定该目标节点作为所述业务拓扑图的中心时，该目标节点在所述业务拓扑图中的局部拓扑图，并根据所述局部拓扑图，确定该目标节点在所述业务拓扑图中对应的节点特征向量。
3.如权利要求2所述的方法，其特征在于，根据所述局部拓扑图，确定该目标节点在所述业务拓扑图中对应的节点特征向量，具体包括：
确定该目标节点在所述局部拓扑图中不超过设定邻接关系的各其他节点；
通过所述特征提取模型，确定该目标节点对应的初始特征向量，以及所述各其他节点对应的初始特征向量；
将所述各其他节点对应的初始特征向量进行聚合，确定所述各其他节点对应的聚合特征向量；
根据该目标节点对应的初始特征向量以及所述聚合特征向量，确定该目标节点在所述业务拓扑图中对应的节点特征向量。
4.如权利要求3所述的方法，其特征在于，将所述各其他节点对应的初始特征向量进行聚合，确定所述各其他节点对应的聚合特征向量，具体包括：
从所述各其他节点中确定出在所述业务拓扑图中与该目标节点具有一阶邻接关系的一阶邻接节点；
根据该目标节点对应的初始特征向量以及所述一阶邻接节点对应的初始特征向量，确定该目标节点与所述一阶邻接节点之间的注意力权重，所述一阶邻接节点对应的初始特征向量是根据所述各其他节点中与所述一阶邻接节点具有一阶邻接关系的节点对应的初始特征向量确定出的；
根据该目标节点与所述一阶邻接节点之间的注意力权重，以及所述一阶邻接节点对应的初始特征向量，确定所述聚合特征向量。
5.如权利要求4所述的方法，其特征在于，根据所述各其他节点中与所述一阶邻接节点具有一阶邻接关系的节点对应的初始特征向量，确定所述一阶邻接节点对应的初始特征向量，具体包括：
根据所述各其他节点中与所述一阶邻接节点具有一阶邻接关系的节点对应的初始特征向量，确定所述一阶邻接节点对应的基础特征向量；
将所述基础特征向量输入到所述特征提取模型中包含的全连接层，得到所述一阶邻接节点对应的初始特征向量。
6.如权利要求4所述的方法，其特征在于，根据该目标节点对应的初始特征向量以及所述一阶邻接节点对应的初始特征向量，确定该目标节点与所述一阶邻接节点之间的注意力权重，具体包括：
确定针对注意力权重的迭代次数；
针对第n次迭代，根据第n-1次确定出的该目标节点与所述一阶邻接节点之间的注意力权重，以及所述一阶邻接节点对应的初始特征向量，确定该目标节点在所述第n-1次迭代中对应的初始特征向量；
根据该目标节点在所述第n-1次迭代中对应的初始特征向量，以及所述一阶邻接节点对应的初始特征向量，确定在所述第n次迭代中该目标节点与所述一阶邻接节点之间的注意力权重，并根据所述第n次迭代中该目标节点与所述一阶邻接节点之间的注意力权重，以及所述一阶邻接节点对应的初始特征向量，确定在第n+1次迭代中该目标节点与所述一阶邻接节点之间的注意力权重，直到到达所述迭代次数为止，n为正整数。
7.如权利要求1所述的方法，其特征在于，训练所述特征提取模型以及所述预测模型，具体包括：
获取训练样本，并确定所述预测模型对应的至少一个关联预测模型，所述预测模型对应的第一业务与所述至少一个关联预测模型对应的第二业务之间存在业务关联，所述训练样本中包含样本用户信息、第一历史业务记录以及第二历史业务记录，所述第一历史业务记录为所述样本用户信息对应的用户在历史上执行针对所述第一历史业务对象的第一业务的历史业务记录，所述第二历史业务记录为所述样本用户信息对应的用户在历史上执行针对所述第二历史业务对象的第二业务的历史业务记录；
将所述样本用户信息、所述第一历史业务对象以及所述第二历史业务对象输入到待训练的特征提取模型中，以使所述特征提取模型基于所述业务拓扑图，确定所述样本用户信息对应的特征向量，所述第一历史业务对象对应的特征向量以及所述第二历史业务对象对应的特征向量；
将所述样本用户信息对应的特征向量和所述第一历史业务对象对应的特征向量输入到所述预测模型中，得到所述第一历史业务对象对应的预测推荐度，以及将所述样本用户信息对应的特征向量和所述第二历史业务对象对应的特征向量输入到所述至少一个关联预测模型中，得到所述第二历史业务对象对应的预测推荐度；
以最小化所述第一历史业务对象对应的预测推荐度与所述第一历史业务记录之间的偏差，以及最小化所述第二历史业务对象对应的预测推荐度与所述第二历史业务记录之间的偏差为优化目标，对所述特征提取模型、所述预测模型以及所述至少一个关联预测模型进行联合训练。
8.一种模型训练的装置，其特征在于，包括：
响应模块，用于响应于用户的业务请求，获取预设的业务拓扑图，以及确定针对所述业务请求的各候选推荐业务对象，所述业务拓扑图是根据至少两种业务的历史业务记录构建出的，所述业务拓扑图中包含有各用户节点以及各业务对象节点，其中，若一个用户在历史上执行过一个业务对象对应的业务，在所述业务拓扑图中该用户对应的用户节点与该业务对象对应的业务对象节点相连；
输入模块，用于针对每个候选推荐业务对象，将该候选推荐业务对象以及所述用户的用户信息输入到预先训练的特征提取模型中，以使所述特征提取模型基于所述业务拓扑图，确定出该候选推荐业务对象对应的特征向量以及所述用户对应的特征向量；
预测模块，用于将所述用户对应的特征向量以及该候选推荐业务对象对应的特征向量，输入到预先训练的预测模型中，得到该候选推荐业务对象对应的推荐度；
推荐模块，用于根据所述各候选推荐业务对象对应的推荐度，对所述用户进行信息推荐。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。