1.一种基于分层注意力机制的异构图的会话推荐方法，其特征在于：根据用户当前会话中的物品序列，召回邻居会话集合；采用记忆矩阵M存储最近发生的会话；基于当前会话s＝{v1,v2,…,v|s|}，计算当前会话和记忆矩阵M中的候选会话之间的cosine相似度，把cosine相似度低于阈值simt hre的会话过滤掉，再按照cosine相似度由高到低排序，前k个会话就是当前会话s的邻居会话集合Ns；

根据用户当前会话和邻居会话集合，构建异构图；异构图G中的节点为当前会话s和邻居会话集合Ns中出现的物品集合的并集；异构图G中的边是有向边，且存在两种语义的边：一种边来源于当前会话中物品转移关系，代表当前用户的兴趣转移；另外一种边来源于邻居会话中的物品转移关系，代表着物品的普遍转移规律；两种边的数据来源不同，因此代表的语义也不同，两种语义的边使用标志φ∈{ses,nei}区分；当前会话s＝{v1,v2,…,v|s|}中的(vj‑1,vj)为异构图G的一种有向边，表示点击物品vj‑1之后，点击物品vj；同理，邻居会话集合Ns中的会话中也可以构建出异构图G的另一种有向边；

基于异构图，采用分层注意力机制得到当前会话中的物品向量表征；对异构图中的物品节点进行向量更新，且只对异构图中属于当前会话s中的物品进行向量更新；异构图的节点信息传递采用分层注意力机制，包含两层注意力机制：第一层是基于节点的注意力机制，第二层是基于语义的注意力机制；异构图根据边的语义不同可以划分成两个语义子图，先用基于节点的注意力机制各自在两个子图中进行节点的信息传递，两个子图分别得到更新后的节点向量表征，此时一个物品节点存在两种语义的向量表征；然后采用基于语义的注意力机制，对一个物品节点的两个语义向量表征进行选择，给其分配不同的重要性，进行物品节点的信息融合，最后得到物品的最终向量表征；异构图中第i个节点采用基于节点注意力机制方法更新的计算过程如下：

其中，所有的上标φ取值为φ∈{ses,nei}，代表的语义分别是当前用户兴趣转移和普遍物品转移规律；hi是异构图中第i个节点的原始向量表征，初始化为物品vi的向量表征emb(vi)，emb(vi)需要不断在模型训练时更新学习；这里的vi属于当前会话中出现的物品，也就是vi∈s； 是异构图中第i个节点经过转换之后的向量表征， 是转换矩阵； 表示第j个邻居节点对第i个节点的重要程度，重要程度 采用基于节点的注意力机制attnode来计算，表示在φ语义子图下第i个节点的邻居节点集合；attnode的具体公式为‖表示向量连接操作， 和 分别是转换向量和转换矩阵，tanh是tanh激活函数；得到第j个邻居节点对第i个节点的重要程度 之后，采用softmax函数对 进行归一化，归一化之后的系数为 最后将第i个节点的所有邻居节点 的信息传递给第i个节点，得到 是第i个节点经过节点注意力机制更新后的向量表征；此时，异构图中一个物品节点会存在两个语义向量表征，如第i个节点的两个语义向量表征分别为 和 然后采用基于语义的注意力机制，对一个物品节点的两个语义向量表征进行选择，给其分配不同的重要性，进行物品节点的信息融合，最后得到物品的最终向量表征：

其中， 和 是转换矩阵，bf是偏置向量,qf是转换向量，tanh是tanh激活函数，σ是sigmoid激活函数；系数β表示 的重要程度，系数1‑β表示 的重要程度；第i个物品节点的最终向量表征为xi；

根据用户当前会话中物品序列，获得用户兴趣表征；得到所有物品的向量表征之后，采用门控制循环神经网络GRU对用户当前会话s＝{v1,v2,…,v|s|}进行表征，得到会话表征，即用户当前兴趣表征p；

根据用户兴趣表征，推荐物品；将物品vj的向量emb(vj)乘以用户兴趣向量p，再应用softmax函数计算出物品vj的分数：其中，p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所述的一种基于分层注意力机制的异构图的会话推荐方法，其特征在于：所述cosine相似度计算公式为：其中，sj是记忆矩阵M中存储的任一会话； 是会话s的二进制向量表示，如果一个物品出现在会话中，那么s中对应位置为1，否则为0；同理， 是会话sj的二进制向量表示；l(s)和l(sj)分别代表了会话s和sj的长度。

3.根据权利要求1所述的一种基于分层注意力机制的异构图的会话推荐方法，其特征在于：所述门控制循环神经网络GRU为：zi＝σ(Wxz·xi+Whz·hi‑1)ri＝σ(Wxr·xi+Whr·hi‑1)其中，ri是重置门，zi为更新门，这两个门控向量决定了哪些信息能作为门控循环单元的输出； 是当前记忆内容；xi是当前层的节点输入；Wxz、Whz、Wxr和Whr分别是控制更新门zi和重置门ri的参数；Wxh和Whh是控制前记忆内容 的参数；⊙是元素级别的矩阵相乘，σ是sigmoid函数；门控制循环神经网络GRU的最后一个隐藏层的输出h|s|就是该会话表征，即用户当前兴趣表征p。