1.一种基于异质图神经网络的兴趣点推荐方法，其特征在于，包括以下步骤：构建基于异质图卷积的兴趣点推荐模型，所述兴趣点推荐模型包括用户图模块和兴趣点模块；

所述用户图模块包括用于获取用户社交属性分向量的用户社交图层、用于获取用户签到属性分向量的用户签到图层，以及用于获取用户评价属性分向量的用户评价图层；

所述兴趣点模块包括用于获取兴趣点评价属性分向量的兴趣点评价图层，以及用于获取兴趣点签到属性分向量的兴趣点用户图层；

对所述用户图模块中的三种分向量进行拼接，获得用户的嵌入表达向量；

对所述兴趣点模块中的两种分向量进行拼接，获得兴趣点的嵌入表达向量；

根据用户的嵌入表达向量和兴趣点的嵌入表达向量进行预测，获取用于推荐的兴趣点；

其中，所述用户社交图层为同质图网络，其他图层为异质图网络；

所述用户社交图层中的节点表示用户，用户社交图层中的边表示用户和用户之间的社交关系；

采用同质图卷积的方法，依次聚合用户的一阶邻居、二阶邻居和三阶邻居，以生成同质图网络下的用户社交属性分向量；

所述用户社交图层对应的网络的表达式为：其中，Nu表示用户u在社交图层中的所有一阶邻居， 是用户社交图层的原始输入，是用户社交图层中第l层卷积的权重参数， 是用户u在用户社交图层中第l‑1层卷积的邻居节点；

所述用户签到图层对应的网络的表达式为：其中， 是用户兴趣点签到图层的原始输入，ei是当前计算的用户节点的一阶邻居节点， 均是用户签到图层中第l层卷积的权重参数， 是用户在用户签到图层中第l‑1层卷积中签到过的兴趣点邻居节点；

所述用户评价图层对应的网络的表达式为：其中， 是用户评价图层的原始输入，ei是当前计算的用户节点的一阶邻居节点，均是用户评价图层中第l层卷积的权重参数， 是用户在第l‑1层卷积中评价过的兴趣点邻居节点；

所述兴趣点评价图层对应的网络的表达式为：其中， 是兴趣点评价图层的原始输入，ei是当前计算的兴趣点节点的一阶邻居节点，均是兴趣点评价图层中第l层卷积的权重参数， 是兴趣点第l‑1层卷积的评价信息邻居节点；

所述兴趣点用户图层对应的网络的表达式为：其中， 是兴趣点用户图层的原始输入，ei是当前计算的兴趣点节点的一阶邻居节点，均是兴趣点用户图层中第l层卷积的权重参数， 是兴趣点第l‑1层卷积中的签到过的用户邻居节点。

2.根据权利要求1所述的一种基于异质图神经网络的兴趣点推荐方法，其特征在于，采用以下公式预测用户u对于兴趣点p的评分：其中，Eu为各个图层用户的嵌入表达向量的拼接，Ep为各个图层兴趣点的嵌入表达向量的拼接，将用户对于兴趣点的评分进行降序排序，将前K个兴趣点推荐给用户；

所述兴趣点推荐模型在参数求解时的损失函数的表达式为：其中Ds定义为：

表示用户u对兴趣点i的评价高于兴趣点j的数据， 表示用户对兴趣点i的评价低于兴趣点j的数据， 表示用户对兴趣点的预测得分，λΘ表示控制L2正则化强度以防止过度拟合的参数，Θ表示模型中所有可训练的参数。

3.一种基于异质图神经网络的兴趣点推荐系统，其特征在于，包括：模型构建模块，用于构建基于异质图卷积的兴趣点推荐模型，所述兴趣点推荐模型包括用户图模块和兴趣点模块；

所述用户图模块包括用于获取用户社交属性分向量的用户社交图层、用于获取用户签到属性分向量的用户签到图层，以及用于获取用户评价属性分向量的用户评价图层；

所述兴趣点模块包括用于获取兴趣点评价属性分向量的兴趣点评价图层，以及用于获取兴趣点签到属性分向量的兴趣点用户图层；

第一向量拼接模块，用于对所述用户图模块中的三种分向量进行拼接，获得用户的嵌入表达向量；

第二向量拼接模块，用于对所述兴趣点模块中的两种分向量进行拼接，获得兴趣点的嵌入表达向量；

推荐预测模块，用于根据用户的嵌入表达向量和兴趣点的嵌入表达向量进行预测，获取用于推荐的兴趣点；

其中，所述用户社交图层为同质图网络，其他图层为异质图网络；

所述用户社交图层中的节点表示用户，用户社交图层中的边表示用户和用户之间的社交关系；

采用同质图卷积的方法，依次聚合用户的一阶邻居、二阶邻居和三阶邻居，以生成同质图网络下的用户社交属性分向量；

所述用户社交图层对应的网络的表达式为：其中，Nu表示用户u在社交图层中的所有一阶邻居， 是用户社交图层的原始输入，是用户社交图层中第l层卷积的权重参数， 是用户u在用户社交图层中第l‑1层卷积的邻居节点；

所述用户签到图层对应的网络的表达式为：其中， 是用户兴趣点签到图层的原始输入，ei是当前计算的用户节点的一阶邻居节点， 均是用户签到图层中第l层卷积的权重参数， 是用户在用户签到图层中第l‑1层卷积中签到过的兴趣点邻居节点；

所述用户评价图层对应的网络的表达式为：其中， 是用户评价图层的原始输入，ei是当前计算的用户节点的一阶邻居节点，均是用户评价图层中第l层卷积的权重参数， 是用户在第l‑1层卷积中评价过的兴趣点邻居节点；

所述兴趣点评价图层对应的网络的表达式为：其中， 是兴趣点评价图层的原始输入，ei是当前计算的兴趣点节点的一阶邻居节点，均是兴趣点评价图层中第l层卷积的权重参数， 是兴趣点第l‑1层卷积的评价信息邻居节点；

所述兴趣点用户图层对应的网络的表达式为：其中， 是兴趣点用户图层的原始输入，ei是当前计算的兴趣点节点的一阶邻居节点，均是兴趣点用户图层中第l层卷积的权重参数， 是兴趣点第l‑1层卷积中的签到过的用户邻居节点。

4.一种基于异质图神经网络的兴趣点推荐系统，其特征在于，包括：至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1‑2任一项所述方法。

5.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1‑2任一项所述方法。