1.具有共注意记忆机制的多偏好协同过滤推荐系统，其特征在于：包括交互信息获取模块、用户特征提取模块、用户潜在偏好提取模块、用户偏好过滤模块、推荐模块；

所述交互信息获取模块获取用户和物品的交互信息，并建模为用户‑物品二部图；

所述交互信息获取模块获取用户间的相似度、物品间的相似度，并分别建立用户‑用户图和物品‑物品图；

所述交互信息获取模块将用户‑物品二部图、用户‑用户图和物品‑物品图传输至用户特征提取模块；

所述用户特征提取模块对用户‑用户图、物品‑物品图、用户‑物品二部图进行特征提取，得到用户特征信息，并传输至用户潜在偏好提取模块；

所述用户潜在偏好提取模块根据用户特征信息计算出用户偏好，并传输至用户偏好过滤推荐模块；

所述用户偏好过滤推荐模块对用户偏好进行过滤，得到用户嵌入信息和物品嵌入信息，并传输至推荐模块；

所述推荐模块根据用户嵌入信息和物品嵌入信息生成物品推荐信息，并发送给用户；

用户潜在偏好提取模块计算用户偏好的步骤包括：

1)计算用户u基于第m个偏好而选择物品k的概率 即：式中， 表示由K列 填充的矩阵； 表示用户u的邻居集合；

代表第m个偏好项特定特征；k∈{1，…，Ns}； 表示两个矩阵的元素乘法； 表示与第m个偏好下的物品i有关的矩阵、与具有第m个偏好的用户u有关的矩阵；

计算权重系数 即：

式中， 为与在第m个偏好下的物品 有关的矩阵；

2)计算在第m个偏好下的物品 即：

3)筛选出与用户u有相同偏好的用户，步骤包括：

3.1)计算其他用户与用户u有相同偏好的概率 和权重系数 即：式中， 代表由K列 填充的矩阵； 代表第m个偏好用户特征；

为与其他用户与用户u有相同偏好的概率有关的矩阵；

3.2)计算与用户u有相同偏好的用户集 即：

4)计算用户偏好 即：

式中， 表示两个矩阵的元素乘法；

所述用户特征提取模块进行特征提取的步骤包括：s1)利用存储在用户特征提取模块的记忆模块对用户‑用户图和物品‑物品图进行聚合，得到：式中，Qm和Rm是第m个偏好的转换矩阵；pi是用户u的交互集，su是物品I的交互集； 表示用户u与第m个特定用户的聚合信息； 表示用户u与第m个特定物品的聚合信息；

s2)提取出用户u与第m个特定物品的交互特征 用户u与第m个特定用户的交互特征即：

提取出物品I与第m个特定物品的交互特征 与第m个特定用户的交互特征 即：

2.根据权利要求1所述的具有共注意记忆机制的多偏好协同过滤推荐系统，其特征在于，所述用户偏好过滤模块对用户偏好进行过滤的步骤包括：

1)将所有用户偏好 进行融合，得到：

式中，g是一个两层神经网络；m∈{1，…，Nm}；Nm为用户偏好总数；∞表示连接操作；

表示用户u的第Nm种偏好；

2)利用softmax层对 进行归一化，得到用户u对第m个偏好的重要性等级 即：

3)生成用户嵌入信息Zu和物品嵌入信息Zi，即：式中，Gu、Fi是用户、物品源连接嵌入； 表示物品i在第m个偏好中的表示参数； 表示物品i在第m个偏好中的重要性等级。

3.根据权利要求1所述的具有共注意记忆机制的多偏好协同过滤推荐系统，其特征在于：所述用户偏好过滤推荐模块存储有源连接嵌入，即：式中，∞表示连接操作；layer表示全连接层；Gu为用户源连接嵌入；Fi为物品源连接嵌入。

4.根据权利要求1所述的具有共注意记忆机制的多偏好协同过滤推荐系统，其特征在于：所述用户‑物品二部图中包括若干用户节点和若干物品节点，其中，用户节点记为ui∈Wu，i＝{1，…，Nu}；物品节点记为vj∈Wv，j＝{1，…，Nv}；节点W＝Wu∪Wv；用户‑物品二部图中连接用户节点与物品节点的边记为(ui，r，vj)∈E；边(ui，r，vj)表示用户ui和物品vj的交互行为类型是r，r∈R＝{1，…，R}；R为交互类型总数。

5.根据权利要求1所述的具有共注意记忆机制的多偏好协同过滤推荐系统，其特征在于，所述推荐模块存储有MLP网络；

所述MLP网络的输入为用户嵌入信息Zu和物品嵌入信息Zi，输出为用户u对物品i的偏好等级r′ui；

MLP网络输出用户u对物品i的偏好等级r′ui的过程如下所示：式中，l是隐藏层的索引；fl表示隐藏层；w为权值，bl为偏置。

6.根据权利要求5所述的具有共注意记忆机制的多偏好协同过滤推荐系统，其特征在于，所述推荐模块向偏好等级大于阈值ε的物品写入物品推荐信息集中，并发送给用户。

7.根据权利要求5所述的具有共注意记忆机制的多偏好协同过滤推荐系统，其特征在于，MLP网络训练目标是目标函数达到最小；

目标函数 如下所述：

式中，表示观察到的偏好等级；rui表示用户u对物品i的真实偏好等级；λ和θ表示正则化权重和模型参数。

8.根据权利要求1所述的具有共注意记忆机制的多偏好协同过滤推荐系统，其特征在于，还包括存储交互信息获取模块、用户特征提取模块、用户潜在偏好提取模块、用户偏好过滤模块、推荐模块数据的数据库。