1.一种多媒体资源的推荐方法，其特征在于，包括：
根据多个用户对象浏览的多媒体资源，生成关系图谱，其中，所述关系图谱中的一个节点对应一个所述用户对象或一个所述多媒体资源，所述关系图谱中的一条边用于指示连接的两节点之间存在浏览行为；
根据所述关系图谱中的路径，将在同一所述路径内间隔节点数小于节点个数阈值的两节点作为训练样本；
采用所述训练样本，对图模型进行训练，以使所述图模型学习得到所述训练样本中各节点的表征向量，其中，属于同一训练样本的两节点的表征向量相似；
根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。
2.根据权利要求1所述的推荐方法，其中，所述根据所述关系图谱中的路径，将在同一所述路径内间隔节点数小于阈值的两节点作为训练样本，包括：
对每一条所述路径，采用滑动窗口，以固定步长在所述路径中移动，其中，所述滑动窗口的长度与所述节点个数阈值相对应；
每当所述滑动窗口移动一个所述固定步长，获取所述滑动窗口内的节点；
将处于所述滑动窗口中心的中心节点分别与所述滑动窗口内的其余节点两两组合，以将每一所述组合作为一个所述训练样本。
3.根据权利要求1所述的推荐方法，其中，所述采用所述训练样本，对图模型进行训练，以使所述图模型学习得到所述训练样本中各节点的表征向量，包括：
从服务器集群中，确定运行有所述图模型的第一子集群；
根据所述训练样本，生成预测任务和对应的调参任务；
分配所述服务器集群中的第一子集群执行所述预测任务，其中，所述预测任务用于采用所述图模型对所述训练样本中的两节点进行表征向量预测，根据预测出的所述表征向量，得到所述训练样本中两节点属于同一训练样本的概率，以及得到所述概率梯度；
分配所述服务器集群中除所述第一子集群以外的第二子集群执行对应的所述调参任务，其中，所述调参任务，用于根据对应的所述预测任务生成的概率梯度，调整所述图模型的模型参数。
4.根据权利要求3所述的推荐方法，所述图模型包括特征函数和聚合函数，其中，所述执行预测任务包括：
根据所述训练样本，查询所述关系图谱，得到所述训练样本中每一节点的多个邻居节点；
根据所述特征函数，生成每一所述邻居节点的特征向量；
将所述多个邻居节点的特征向量采用聚合函数进行聚合，得到所述训练样本中对应节点的表征向量；
根据所述训练样本中两节点的表征向量之间的向量相似度，确定所述训练样本中两节点属于同一训练样本的概率。
5.根据权利要求4所述的推荐方法，其中，所述模型参数包括所述聚合函数中的参数和所述特征函数中的参数。
6.根据权利要求4所述的推荐方法，其中，所述根据所述训练样本，查询所述关系图谱，得到所述训练样本中每一节点的多个邻居节点，包括：
对所述训练样本中的一个节点，查询所述关系图谱，随机选取固定个数的所述邻居节点。
7.根据权利要求1-6任一项所述的推荐方法，其中，在所述根据多个用户对象浏览的多媒体资源，生成关系图谱之前，还包括：
根据最近统计周期内监测到的浏览行为，确定执行所述浏览行为的所述多个用户对象，以及所述多个用户对象所浏览的所述多媒体资源。
8.根据权利要求1-6任一项所述的推荐方法，其中，所述根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐，包括：
查询目标用户对象已浏览的多媒体资源的目标表征向量；
根据所述目标表征向量，从所述各多媒体资源中，确定第一多媒体资源，其中，所述第一多媒体资源的表征向量与所述目标表征向量之间的向量相似度高于相似度阈值；
向所述目标用户对象推荐所述第一多媒体资源。
9.根据权利要求1-6任一项所述的推荐方法，其中，所述根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐，包括：
查询目标用户对象的表征向量；
根据所述目标用户对象的表征向量，从所述各多媒体资源中，确定第二多媒体资源，其中，所述第二多媒体资源的表征向量与所述目标用户对象的表征向量之间的向量相似度高于相似度阈值；
向所述目标用户对象推荐所述第二多媒体资源。
10.根据权利要求1-6任一项所述的推荐方法，其中，所述根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐，包括：
查询目标用户对象的表征向量；
根据所述目标用户对象的表征向量，从所述各用户对象中，确定候选用户对象，其中，所述候选用户对象的表征向量与所述目标用户对象的表征向量之间的向量相似度高于相似度阈值；
向所述目标用户对象推荐所述候选用户对象已浏览的多媒体资源。
11.一种多媒体资源的推荐装置，其特征在于，包括：
生成模块，用于根据多个用户对象浏览的多媒体资源，生成关系图谱，其中，所述关系图谱中的一个节点对应一个所述用户对象或一个所述多媒体资源，所述关系图谱中的一条边用于指示连接的两节点之间存在浏览行为；
第一确定模块，用于根据所述关系图谱中的路径，将在同一所述路径内间隔节点数小于节点个数阈值的两节点作为训练样本；
训练模块，用于采用所述训练样本，对图模型进行训练，以使所述图模型学习得到所述训练样本中各节点的表征向量，其中，属于同一训练样本的两节点的表征向量相似；
推荐模块，用于根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。
12.根据权利要求11所述的推荐装置，其中，所述第一确定模块，用于：
移动单元，用于对每一条所述路径，采用滑动窗口，以固定步长在所述路径中移动，其中，所述滑动窗口的长度与所述节点个数阈值相对应；
获取单元，每当所述滑动窗口移动一个所述固定步长，获取所述滑动窗口内的节点；
组合单元，用于将处于所述滑动窗口中心的中心节点分别与所述滑动窗口内的其余节点两两组合，以将每一所述组合作为一个所述训练样本。
13.根据权利要求11所述的推荐装置，其中，所述训练模块，包括：
第一确定单元，用于从服务器集群中，确定运行有所述图模型的第一子集群；
生成单元，用于根据所述训练样本，生成预测任务和对应的调参任务；
分配单元，用于分配所述服务器集群中的第一子集群执行所述预测任务，其中，所述预测任务用于采用所述图模型对所述训练样本中的两节点进行表征向量预测，根据预测出的所述表征向量，得到所述训练样本中两节点属于同一训练样本的概率，以及得到所述概率梯度；
所述分配单元，还用于分配所述服务器集群中除所述第一子集群以外的第二子集群执行对应的所述调参任务，其中，所述调参任务，用于根据对应的所述预测任务生成的概率梯度，调整所述图模型的模型参数。
14.根据权利要求13所述的推荐装置，其中，所述图模型包括特征函数和聚合函数，其中，所述分配单元包括：
子查询单元，用于根据所述训练样本，查询所述关系图谱，得到所述训练样本中每一节点的多个邻居节点；
子生成单元，用于根据所述特征函数，生成每一所述邻居节点的特征向量；
子聚合单元，用于将所述多个邻居节点的特征向量采用聚合函数进行聚合，得到所述训练样本中对应节点的表征向量；
子确定单元，用于根据所述训练样本中两节点的表征向量之间的向量相似度，确定所述训练样本中两节点属于同一训练样本的概率。
15.根据权利要求14所述的推荐装置，其中，所述模型参数包括所述聚合函数中的参数和所述特征函数中的参数。
16.根据权利要求14所述的推荐装置，其中，所述子查询单元，用于：
对所述训练样本中的一个节点，查询所述关系图谱，随机选取固定个数的所述邻居节点。
17.根据权利要求11-16任一项所述的推荐装置，其中，还包括：
第二确定模块，用于根据最近统计周期内监测到的浏览行为，确定执行所述浏览行为的所述多个用户对象，以及所述多个用户对象所浏览的所述多媒体资源。
18.根据权利要求11-16任一项所述的推荐装置，其中，所述推荐模块，包括：
第一查询单元，用于查询目标用户对象已浏览的多媒体资源的目标表征向量；
第二确定单元，用于根据所述目标表征向量，从所述各多媒体资源中，确定第一多媒体资源，其中，所述第一多媒体资源的表征向量与所述目标表征向量之间的向量相似度高于相似度阈值；
第一推荐单元，用于向所述目标用户对象推荐所述第一多媒体资源。
19.根据权利要求11-16任一项所述的推荐装置，其中，所述推荐模块，包括：
第二查询单元，用于查询目标用户对象的表征向量；
第三确定单元，用于根据所述目标用户对象的表征向量，从所述各多媒体资源中，确定第二多媒体资源，其中，所述第二多媒体资源的表征向量与所述目标用户对象的表征向量之间的向量相似度高于相似度阈值；
第二推荐单元，用于向所述目标用户对象推荐所述第二多媒体资源。
20.根据权利要求11-16任一项所述的推荐装置，其中，所述推荐模块，包括：
第二查询单元，用于查询目标用户对象的表征向量；
第四确定单元，用于根据所述目标用户对象的表征向量，从所述各用户对象中，确定候选用户对象，其中，所述候选用户对象的表征向量与所述目标用户对象的表征向量之间的向量相似度高于相似度阈值；
第三推荐单元，用于向所述目标用户对象推荐所述候选用户对象已浏览的多媒体资源。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的多媒体资源的推荐方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的多媒体资源的推荐方法。