1.一种基于多兴趣重复网络的会话推荐方法，其特征在于：根据用户当前交互会话序列，得到用户当前多兴趣表征；用户当前交互的会话可以表示为ST＝{x1，x2，…，xτ，…，xt}，其中，xτ代表用户交互的第τ个物品，T表示当前会话的时间段下标，且ST的向量表征为{x1，x2，…，xτ，…，xt}，其中 d是物品向量表征的长度；采用基于门机制的多兴趣胶囊网络从物品序列中抽取出用户多兴趣，伪代码为：其中， 为会话中第i个物品向量表征， 是第j个兴趣的表征且qj为所有用户共享；用户兴趣的个数参数为M； 和 是第j个兴趣的训练参数；

为转移矩阵，被所有兴趣共享；⊙是门机制中常用的向量元素级别(element‑wise)的乘法；通过兴趣相关的门机制(interest‑specific gating mechanism)和转移矩阵，可以从物品向量xi中抽取出不同兴趣空间下的向量表征 方法是胶囊网络中的动态路由部分，输入参数 是第i个物品向量表征xi映射到第j个兴趣空间的向量表征，输入参数r是动态路由算法的迭代次数，输出参数vj代表用户多兴趣向量表征；bij是第i个物品向量表征到第j个兴趣的连接系数，cij是系数bij归一化后的连接系数；squash是胶囊网络中常用的squash向量激活函数，公式为根据用户历史购买物品序列，得到用户历史购买多兴趣表征；用户历史购买物品序列可以表示为BT‑1＝{x1，x2，…，xl}，用户历史消费序列BT‑1的向量表征为 其中上标a表示购买行为；本方法在基于门机制的多兴趣胶囊网络算法的基础上，继续改进胶囊网络从用户历史购买物品序列中抽取出用户多兴趣；为了使得在重复模式中增加推荐结果的多样性，本方法提出一种增强推荐多样性的多兴趣胶囊网络算法；该算法根据场景继续改进胶囊网络连接系数bij的归一化方式；

根据用户当前多兴趣表征和用户历史购买多兴趣表征，得到重复推荐模式(推荐用户历史购买物品)的概率；基于用户的当前会话ST和用户历史购买物品序列BT‑1，推荐下一个交互物品xt+1的概率P(xt+1|ST，BT‑1)可以进一步分解为：P(xt+1|ST，BT‑1)＝P(r|ST，BT‑1)·P(xt+1|r，ST，BT‑1)+(1‑P(r|ST，BT‑1))·P(xt+1|e，ST)其中，r和e分别代表重复模式(repeat mode)和探索模式(explore mode)，重复模式指在用户历史购买物品集中推荐，探索模式指在用户历史购买物品集以外的候选物品集中推荐；P(r|ST，BT‑1)代表基于当前交互会话序列ST和用户历史购买物品序列BT‑1，重复模式的概率；P(xt+1|r，ST，BT‑1)和P(xt+1|e，ST)分别代表在重复模式和探索模式下，推荐物品xt+1的概率；重复模式的概率P(r|ST，BT‑1)主要由当前会话中抽取的多兴趣vj决定，且多兴趣vj的权重由历史购买兴趣 和当前兴趣vj的相似度 决定，这里采用余弦相似度来计算向量相似度；参数 是转化向量，σ是sigmoid函数；

在重复模式下，根据用户的当前多兴趣表征和历史购买多兴趣表征，在用户历史购买的物品序列中进行推荐；推荐物品xi∈BT‑1的概率为P(xi∣r,ST,BT‑1):其中， 是向量之间的相似度函数； 表示物品xi是购买兴趣 的概率；V代表物品集合；

在探索模式下，根据用户的当前多兴趣表征，对不在用户历史购买物品序列中的物品进行推荐；

其中， 和 是模型需要训练的参数；vτ为物品集合V‑BT‑1中的物品xτ的向量表征；vj是从用户当前交互会话中抽取出的多兴趣；对于xτ∈BT‑1的物品， 也就是推荐概率P(xτ∣e,ST)＝0；

构建损失函数，训练模型参数；采用对数似然损失函数：其中， 是训练集中所有的会话序列；P(xτ∣ST,BT‑1)表示基于用户的当前会话ST和用户历史购买物品序列BT‑1，预测用户下一个交互物品xτ的概率，xτ是会话序列中真实交互的物品；我们采用Adam优化器更新模型参数。

2.根据权利要求1所述的一种基于多兴趣重复网络的会话推荐方法，其中，所述一种增强推荐多样性的多兴趣胶囊网络算法的伪代码为：其中， 为用户历史购买序列中第i个物品向量表征；

以及 和从用户当前交互会话序列中抽

取多兴趣的胶囊网络共享； 方法是胶囊网络中的动态路由部分，输入参数a

是第i个购买物品向量表征 映射到第j个购买兴趣空间的向量表征，输入参数r是动态路由算法的迭代次数； 方法的输出参数 代表用户历史购买多兴趣向量表征； 是第i个购买物品向量表征到第j个购买兴趣的连接系数， 是系数 归一化后的连+

接参数； 表示在购买兴趣胶囊内对参数 进行归一化，τ是温度系数；当τ→0 ，购买兴趣胶囊趋向于只关注一个物品胶囊；而当τ→∞，物品胶囊对于情感胶囊的作用趋于一致；所+

以可以通过温度系数τ来控制推荐的多样性，当τ→0 ，推荐结果更能够体现用户兴趣的多样性；而当τ→∞，推荐结果偏向于从主要兴趣中挑选相关物品； 是在购买兴趣胶囊间对参数 进行归一化，用于对物品胶囊进行兴趣分类，即判断物品体现用户哪种购买兴趣；

squash是胶囊网络中常用的squash向量激活函数，公式为 输出的购买兴趣向量 的长度 且向量长度 代表购买兴趣 的概率，向量 的方向代表购买兴趣 的属性。