1.一种基于时间间隔图的会话推荐方法，其特征在于：根据用户当前会话中的物品序列，构建带时间间隔属性的会话图；给定一个会话s＝{v1，v2，…，v|s|}，任一物品vj为会话图T的节点，(vj‑1，vj)为图网络T的有向边，表示一个用户点击物品vj‑1之后点击物品vj；且图的边属性为点击物品vj‑1和点击物品vj之间的时间间隔；

使用时间间隔图神经网络更新物品向量表征；将会话图中的边属性时间间隔采用最小最大化归一化方式进行归一化，然后将时间间隔进行离散化；在会话图中进行物品节点信息传递时，将节点信息和边信息连接为整体进行传递，具体公式如下：其中，tj表示点击物品vj发生时间， 和 分别表示该会话中时间间隔的最大值和最小值，ti→j表示经过最小最大归一化后的时间间隔；函数bucketid(ti→j，{·})表示时间间隔ti→j处在集合参数中的下标；emb(ti→j)表示ti→j的向量表征，emb(vj)表示物品vi向量表征， 表示向量的连接；

然后再采用两层的图网络更新物品向量表征，最后得到物品vj的向量表征xj为图网络更新结果，也就是 具体公式为：

其中，Wpool和Wh是转移矩阵，b是向量，σ为sigmoid函数，max代表元素级别的max操作，表示向量的连接；k代表在图网络T中的搜索深度，k的最大值为搜索深度L， 代表节点vj在k层的向量表征，B(j)为会话图T中物品vj的邻居集合； 表示物品节点vj的邻居节点vk传递过来的信息， 融合了物品节点vj的所有邻居节点信息； 融合了物品vj上一层的向量表征信息和物品vj邻居节点信息；

根据用户当前会话中物品序列，获得用户兴趣向量表征；采用门控制循环神经网络对会话进行表征，得到兴趣表征；也就是将当前会话作为门控制循环神经网络的输入，得到门控制循环神经网络的输出作为用户的兴趣pu；

根据用户兴趣表征，推荐物品；将物品vj的向量vj乘以用户最终向量表征，再应用softmax函数计算出物品vj的分数：其中，pu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所述的一种基于时间间隔图的会话推荐方法，其特征在于：所述门控制循环神经网络为：

zi＝σ(Wxz·xi+Whz·hi‑1)ri＝σ(Wxr·xi+Whr·hi‑1)其中，ri是重置门(resetgate)，zi为更新门(update gate)，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，也就是物品vi的向量表征；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就是用户兴趣pu。