1.一种基于时空图的会话推荐方法，其特征在于：

基于所有用户会话序列，构建不同时间下的物品图网络G＝{G1,G2,G3,...,Gt}，并离线存储所有时间t下在图网络Gt中每个节点的邻居节点Bt(j)，令：Gt＝(Vt,Et)

其中，Vt表示平台中在时间t之前物品的集合，Et表示在时间t之前物品和物品之间的转移关系，Gt是有向图；

根据用户当前会话，构建时空图GST，令：

其中，为目标用户ui在当前时间t的会话列表， 为时间序列信息，节点在当前物品图Gt的邻域是空间结构信息，将时间序列信息和空间信息结合起来，共同构成时空图GST；

根据用户当前会话的时空图，建立用户短期兴趣

it＝σ(Wixt+Uiht-1+bi)

ft＝σ(Wfxt+Ufht-1+bf)

ot＝σ(Woxt+Uoht-1+bo)

ct＝ittanh(Wcxt+Ucht-1+bc)+ftct-1其中，最后一层隐藏状态ht的输出就是用户的短期兴趣 该结构采用了平行的循环神经网络结构，xt是当前层的节点输入，Wi、Ui、Wf、Uf、Wo和Uo分别是控制输入门it、遗忘门ft和输出门ot的参数；同理，Wi*、 和 分别是控制平行的输入门 遗忘门 和输出门 的参数；σ为sigmoid函数；所有这些参数和输入：隐层状态ht-1、当前输入xt以及节点xt的空间信息gt共同参与计算，来输出结果ht；根据会话中物品序列，获得用户会话表征；目标用户ui的某一会话 的向量表征 为：其中，Q是物品的向量矩阵，由模型学习而得，Q(:,si)代表出现在会话si中所有的物品向量；长短期记忆网络LSTM是一种循环神经网络方法；

根据用户最近会话表征序列，建立用户长期兴趣 令:

其中，函数f代表一个非线性转化， 为从时空图得到的用户短期兴趣，S(i)为用户ui最近的会话列表；函数f使用注意力机制来实现，具体为：其中， 为目标用户ui的短期兴趣表征， 为目标用户ui的第j个会话 表征，参数和参数 控制每个会话向量的权重，d代表会话向量的维度；

合并用户短期和长期兴趣，获得用户ui最终兴趣gi：其中， 和 分别为用户ui的短期和长期兴趣，为向量拼接操作，W是线性转化矩阵；

根据用户最终兴趣和物品向量表征，推荐物品；将物品vj的向量qj乘以用户兴趣向量，再应用softmax函数计算出物品vj的分数：其中，g代表用户的兴趣向量，代表物品vj成为下一个交互物品的可能性；同时根据的对数似然函数值，计算损失函数：其中，yj代表vj的one-hot编码， 函数用梯度下降法来最优化。

2.根据权利要求1所述的一种基于时空图的会话推荐方法，其中，所述空间信息gt的计算方法为：k

其中，W 是图参数，σ为sigmoid函数；k代表在图网络G中的搜索深度， 代表节点vj在k层的向量表征，最后一层的向量表征也就是空间信息g；B(j)为物品图网络G中当前时间下物品vj的邻居集合。

3.根据权利要求2所述的一种基于时空图的会话推荐方法，其中，所述AGGREGATEk函数采用的是最大池化(max-pooling)方法：其中，σ为sigmoid函数，max代表元素级别的max操作，可以有效捕捉邻居的各个维度属性；B(j)为物品图网络G中当前时间下物品vj的邻居集合，模型参数Wpool和b分别控制邻居节点的权重和偏置。