1.一种融合相关性信息的图神经网络会话推荐方法，其特征在于，包括下列步骤：步骤1，构建并训练推荐模型；

所述推荐模型包括相关性信息模块、转移性信息模块和用户表示模块；

其中，推荐模型的输入为用户‑物品的交互序列[s1,s2,…,sl…,sL]，sl表示第l条交互序列，其中l＝1,2,…,L，L表示交互序列的数量；

将所有交互序列中的所有物品构建成一张物品无向图，在物品无向图中，若两个物品在序列中相邻则相连，并定义A表示物品无向图的邻接矩阵，定义一个可学习的物品嵌入矩阵E，任意物品i的嵌入信息用ei表示；

将邻接矩阵A加上维度为N×N的单位矩阵IN，得到矩阵 其中，N表示物品无向图的物品数量；

相关性信息模块采用多层图卷积神经网络获取物品的相关性信息嵌入表示，相关性信息模块的输入包括：矩阵 和初始化的物品嵌入矩阵E，每层图卷积神经网络根据前一层输出的相关性信息嵌入表示更新物品嵌入矩阵E，具体更新公式为：其中， 表示物品无向图的度矩阵， 分别表示经过第k层、第k+1层图卷积神经网络更新后的相关性信息嵌入表示；

相关性信息模块输出的最终的所有物品的相关性嵌入表示Er为在每一层图卷积网络中得到的嵌入表示的加权和： 其中，βk表示每一(0)

层图卷积神经网络的权重值，为可学习参数，E 表示初始化的物品嵌入矩阵E；

将每条用户‑物品的交互序列的所有物品转换成一张有向图，在有向图中，若两个物品在当前序列中相邻则相连；

将每条用户‑物品的交互序列的有向图和相关性信息模块输出的Er作为转移性信息模块的输入，转移性信息模块基于注意力机制，根据 计算当前用户‑物品的交互序列的任意两个相邻的物品i和j之间的注意系数θij，其中，Att()代表注意力函数,表示表物品i和j之间的转移关系的权重参数，为可学习参数，ei,ej表示物品i和j的嵌入信息，基于相关性信息模块输出的Er确定；

转移性信息模块再通过softmax函数将权重参数转换为概率形式：其中， 表示物品i在当前序列s构成的有向图中的邻居节点的物品集合，k表示集合 中的物品编号，θik表示物品i和k之间的注意系数；

转移性信息模块最后输出的物品i在当前序列s中的转移性信息嵌入表示为其自身的嵌入表示与其邻居节点的嵌入表示的加权和： 其中， 表示当前序列s中的物品j的嵌入信息，基于相关性信息模块输出的Er确定；

用户表示模块对当前序列中的每个物品i，将转移性信息模块输出的转移性信息嵌入表示 与相关性信息模块输出的相关性嵌入表示eri相加得到每个物品的嵌入表示 并通过平均池化操作得到当前序列的全局嵌入表示sg： 其中，n表示当前序列的物品数；

用户表示模块基于位置嵌入获取前序列的局部嵌入表示sl：

对于每条交互序列s，有一个相对应的位置嵌入矩阵P＝[p1,p2,…,pi…,pt]，其中，pi表示第i个物品的位置嵌入向量，根据 计算交互序列s的物品is

的特征向量fi，并根据 得到物品i的用户短期兴趣表示，再

根据 得到局部嵌入表示sl，其中，W1、W2、W3表示对应的权重，为可学习参数，b表示特征向量的偏置项，c表示用户短期兴趣表示的偏置项，b、c均为可学习参数；

用户表示模块拼接全局嵌入表示与局部嵌入表示得到当前序列的嵌入表示S＝[sl||sg]；

并通过使用当前序列的嵌入表示S和每个物品的嵌入表示 求内积来计算当前序列对每个物品的偏好分数：基于设置的训练数据集对相关性信息模块、转移性信息模块和用户表示模块中的可学习参数进行深度学习训练，当满足预置的训练结束条件时停止，得到训练好的推荐模型；

步骤2，基于训练好的推荐模型获取推荐列表：

使用训练好的推荐模型在待处理数据集进行预测，对于待处理数据集中的每一条用户‑物品的交互序列，通过推荐模型计算出它对每个物品的偏好分数，再将前K个最大偏好分数的物品作为推荐列表，并向当前交互序列所对应的用户进行推送，其中，K大于等于1。

2.如权利要求1所述的方法，特征在于，采用LeakyRelu作为激活函数获取αij：其中，⊙代表的是向量中对应元素相乘，LeakyRelu()表示LeakyRelu激活函数的输出。