1.一种基于GCN和AIN的上下文感知推荐方法，其特征在于，其实现内容包括：步骤S1、获取用户的行为数据，并将数据划分为用户数据集、项目数据集、上下文因素数据集，其中，用U表示用户数据集，用u表示用户，则u∈U，

用V表示项目数据集，用V表示用户，则V∈V，

上下文因素数据集包含多个上下文因素，每个上下文因素是一个包含多个上下文的上下文数据集，用C表示上下文因素，假定有K个上下文因素，则上下文因素数据集表示为{C1，C2，C3，…，CK}，任一个上下文数据集Ci＝{c1，c2，c3，…，ck}，其中k＝1，2，…，K；

d

步骤S2、基于用户数据集、项目数据集、上下文数据集，首先，引入嵌入向量eu∈R描述d d一个用户，引入嵌入向量ev∈R 描述一个项目，引入嵌入向量ec∈R描述一个上下文环境，其中d表示嵌入大小，随后，建立上下文与用户的参数矩阵建立上下文与项目的参数矩阵 其中这两个参数矩阵中

的初始嵌入向量 相同，并将上下文与用户的参数矩阵、上下文与项目的参数矩阵作为嵌入查找表；

步骤S3、针对上下文与用户：

步骤S3.1、将上下文与用户的参数矩阵作为嵌入查找表，利用图神经网络GCN捕获嵌入查找表中上下文与用户之间的协同信号，并基于上下文与用户之间的协同信号，构造上下文到用户的交互传播消息，这一过程包括：步骤S3.1.1、基于上下文c与用户u之间的协同信号，将上下文c到用户u的交互传播消息定义为：mc→u＝f(ec，eu，pu，c)，

其中：mc→u为消息嵌入，即要传播的信息；f(·)是消息编码函数，f(·)以嵌入的ec和eu为输入，利用系数pu，c控制(u，c)之间每次传播的衰减因子执行卷积操作，建模c→u的消息传播，步骤S3.1.2、基于定义的传播消息，f(·)的具体实现为公式(1)：d′×d

其中：W1，W2∈R 为提取有用传播信息的可训练权重矩阵，d′为变换大小；⊙表示元素间的乘积，eu⊙ec传递的消息为eu和ec之间的交互编码， 表示图的拉普拉斯范数，也就是pu，c，Nu表示与用户u相连接的上下文数量，Nc表示在相同上下文c环境下购买同一物品的用户数量，步骤S3.2、基于聚合函数和注意力交互网络AIN，聚合上下文到用户的交互传播消息，分别聚合T次，进一步使用门控神经网络GRU聚合T次传播消息，建模用户随时间序列的偏好，构成用户的最终嵌入；

步骤S4、针对上下文与项目：

步骤S4.1、将上下文与项目的参数矩阵作为嵌入查找表，利用图神经网络GCN捕获嵌入查找表中上下文与项目之间的协同信号，并基于上下文与项目之间的协同信号，构造上下文到项目的交互传播消息，步骤S4.2、基于聚合函数，聚合上下文到项目的交互传播消息，分别聚合T次，随后依次连接T次传播消息，构成项目的最终嵌入；

步骤S5、在用户的最终嵌入和项目的最终嵌入之间使用内积交互函数，输出用户对某个项目的预测概率。

2.根据权利要求1所述的一种基于GCN和AIN的上下文感知推荐方法，其特征在于，执行步骤S3.2，聚合上下文到用户的交互传播消息，这一过程包括：S3.2.1、基于步骤3.1构造的交互传播消息，引入公式(2)计算每一个上下文对用户的注意力分数，其中，ck表示用户u的任一上下文， 和 表示权重矩阵， 表示偏置项，上标ψ则用来标识和注意力交互网络AIN的模型参数；

S3.2.2、基于计算得到的每一个上下文对用户的注意力分数，引入公式(3)计算每一个上下文对用户的影响程度，使用sofTmax函数对所有上下文对用户的影响程度进行归一化处理，得到最终的注意力权重，其中，m＝1，2，...，M，cm表示用户u的任一上下文，a(u，ck)表示第k个上下文对用户u的注意力分数，a(u，cn)表示第n个上下文对用户u的注意力分数；

S3.2.3、T＝1时，引入聚合函数公式(4)，聚合上下文到用户的交互传播消息，其中， 表示第一次传播后得到的用户u的表示，β(u，ck)表示每一个上下文对用户u的影响程度；

T>＝2时，引入聚合函数公式(5)，T次聚合上下文到用户的交互传播消息，其中， 表示第T次传播后得到的用户u的表示，β(u，ck)表示每一个上下文对用户u的影响程度。

3.根据权利要求2所述的一种基于GCN和AIN的上下文感知推荐方法，其特征在于，T次聚合上下文到用户的交互传播消息后，依次得到用户u的多个表示，即 随后利用公式(6)、(7)、(8)、(9)、(10)，通过门控神经网络GRU聚合T次传播消息，构成用户的最终嵌入，其中， 和bh为更新门控神经网络GRU的权值和偏

差， 和 分别是更新门矢量和重置门矢量。

4.根据权利要求3所述的一种基于GCN和AIN的上下文感知推荐方法，其特征在于，执行步骤S4.1，构造上下文到项目的交互传播消息，这一过程包括：步骤S4.1.1、基于上下文c与项目v之间的协同信号，将上下文c到项目v的交互传播消息定义为：mc→v＝f(ec，ev，pv，c)，

其中：mc→v为消息嵌入，即要传播的信息；f(·)是消息编码函数，f(·)以嵌入的ec和ev为输入，利用系数pv，c控制(v，c)之间每次传播的衰减因子执行卷积操作，建模c→v的消息传播；

步骤S4.1.2、基于定义的传播消息，f(·)的具体实现为公式(11)：d′×d

其中：W1，W2∈R 为提取有用传播信息的可训练权重矩阵，d′为变换大小；⊙表示元素间的乘积，ev⊙ec传递的消息为ev和ec之间的交互编码， 表示图的拉普拉斯范数，也就是pv，c，Nv表示与项目V相连接的上下文数量，Nc表示在相同上下文环境c下同一用户购买物品的数量。

5.根据权利要求4所述的一种基于GCN和AIN的上下文感知推荐方法，其特征在于，执行步骤S4.2，T＝1时，引入聚合函数公式(4’)，聚合上下文到项目的交互传播消息，其中， 表示第一次传播后得到的项目v的表示；

T>＝2时，引入聚合函数公式(5’)，T次聚合上下文到项目的交互传播消息，其中， 表示第T次传播后得到的项目v的表示；

T次聚合上下文到项目的交互传播消息后，依次得到项目v的多个表示，即随后利用公式(12)，连接T次传播消息，构成项目的最终嵌入，

6.根据权利要求5所述的一种基于GCN和AIN的上下文感知推荐方法，其特征在于，执行步骤S5时，引入公式(13)，计算用户的最终嵌入和项目的最终嵌入两者的内积交互函数，输出用户对某个项目的预测概率。

7.根据权利要求6所述的一种基于GCN和AIN的上下文感知推荐方法，其特征在于，得到公式(13)后，可以对其进行验证：将用户当下上下文环境下所购买的项目作为正样本标签，将用户当下上下文环境下未购买的项目作为负样本标签，引入公式(14)、公式(15)，用一个sofTmax层来计算预测类概率，使用交叉熵作为损失函数，优化公式(13)，其中， 表示用户对第j个抽样项目的预测概率分布，yj是用户对第j个项目的真实概率分布，0是V的一个抽样子集，包括正样本标签和负样本标签，公式(15)计算得到的损失函数值越小，表示预测概率越准确。