1.一种基于多兴趣短期优先模型的会话推荐方法，其特征在于：根据用户会话序列，得到用户多兴趣表征；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；将传统应用在图像上的胶囊网络应用在用户会话序列中，从中抽取出用户多兴趣vj，胶囊网络需要迭代多次来更新用户多兴趣vj，用户多兴趣vj第一次迭代具体计算过程如下：bij＝0

cij＝exp(bij)/∑jexp(bij)vj＝squash(sj)

其中， 为会话中第i个物品向量表征， 是第j个兴趣的映射矩阵；用户兴趣的个数参数为M；通过兴趣相关的映射向量(interest‑specific projection)，可以从物品向量xi中抽取出不同兴趣空间下的向量表征 bij是第i个物品向量表征到第j个兴趣的连接系数，在第一次迭代时，bij初始化为0，cij是参数bij归一化后的连接系数，表示第i个物品是第j个兴趣的可能性，且对于一个物品xi，不同兴趣的可能性和为1，也就是∑jcij＝1；

用连接系数cij将向量表征 汇聚成用户的兴趣sj，并用squash函数对sj进行归一化，得到最终的用户多兴趣向量表征vj；squash是胶囊网络中常用的squash向量激活函数，公式为继续对用户多兴趣vj进行多次的迭代，迭代总次数由迭代次数参数r决定，也就是继续采用以下公式对用户多兴趣vj重复更新r‑1次：cij＝exp(bij)/∑jexp(bij)vj＝squash(sj)

其中，系数bij、cij以及向量 vj、sj和第一次迭代公式中出现的bij、cij以及向量vj、sj相同；这一次迭代先采用公式 对连接系数bij进行更新，再更新用户多兴趣vj；对vj重复更新r‑1次，得到最终的用户多兴趣vj；

抽取不同兴趣空间下，最后一个点击的物品；会话中的物品为ST＝{x1，x2，…，xτ，…，xt}，且物品的时间属性特征为st＝{1，2，…，τ，…，t}；对于任一个兴趣空间下，用户最后点击物品(1ast‑click)的下标idx取决于胶囊网络迭代完之后的连接系数cij和物品时间属性特征；具体计算公式为：

idx＝argmaxi(δ(ci≥∈)·sti)其中，不同兴趣空间下的计算公式相同，所以省略了兴趣下标j；ci表示胶囊网络的连接系数；δ(ci≥∈)表示如果ci≥∈，那么δ＝1，否则δ＝0；∈是一个阈值参数，为了过滤掉和该兴趣不太相关的物品；sti表示第i个物品的时间，越早发生的交互行为，时间特征属性sti越小；argmaxi()函数是获得值δ(ci≥∈)·sti最大的物品的下标；从公式中可以看出，δ(ci≥∈)的作用是得到和当前兴趣兴趣相关的物品候选集，sti的作用是从候选集中找出最近交互的物品，也就是最后点击物品；得到用户最后点击物品的下标idx，也就得到最后一个点击的物品向量表征h＝xidx，即为用户短期兴趣；

根据用户多兴趣表征和不同兴趣空间下最后一个点击物品，推荐用户下一个点击的物品；将候选物品集合中的任一物品xτ的向量表征xτ映射到多空间下，然后和不同空间的用户长期兴趣vj和短期兴趣hj进行匹配，计算点击概率uj|τ＝Wjxτ

其中， 是第j个兴趣的映射矩阵，和胶囊网络中的兴趣映射矩阵参数为同一个参数；σ是sigmoid函数； 代表物品xτ成为下一个交互物品的可能性；符号<>表示三个向量相乘，也就是 且 同时根据 的对数似然函数值，计算损失函数：

其中，yτ代表xτ的one‑hot编码， 函数用梯度下降法来最优化；|V|表示物品候选集V的大小。