1.一种融合用户情感和知识图增强的景点推荐方法，其特征在于：包括以下步骤：S1，根据景点属性信息，构建景点知识图谱AKG；

S2，采用翻译模型TransR学习景点知识图谱AKG中实体和关系的低维表示向量，作为模型的初始输入；

S3，为充分聚合景点高阶邻居信息，引入多头注意力机制学习景点属性权重，采用图神经网络学习景点嵌入；

S4，根据历史交互信息，按时间先后顺序构建用户访问景点序列；

S5，从评论中分析用户的情感倾向，设计用户情感随时间变化函数，学习用户兴趣嵌入；

S6，设计损失函数训练模型，根据训练后的模型学习用户和景点嵌入，进行相似度计算，依据结果对用户推荐景点。

2.根据权利要求1所述的一种融合用户情感和知识图增强的景点推荐方法，其特征在于：S1中，构建的景点知识图谱AKG，是根据景点的属性信息，生成一系列三元组，其形式为(景点名称，属性，属性值)；其中，景点名称和属性值为景点知识图谱AKG中的实体，属性为景点知识图谱AKG中的关系。

3.根据权利要求1所述的一种融合用户情感和知识图增强的景点推荐方法，其特征在于：S2的具体步骤如下：

2.1，由于景点包含多方面特征，有多个不同关系，为充分表征实体特征，将头、尾实体从实体空间映射到相应的关系空间，公式为：式中，eh, 为实体空间中头、尾实体嵌入， 为关系空间中的头、尾实体以及关系嵌入，d≠k，空间变换矩阵

2.2，根据向量加减的三角形定则，定义得分函数，公式为：

2.3，随机替换三元组中头或尾实体生成非事实三元组集合作为负样本，训练模型，其损失函数为：式中， 并且(h,r,t′)为事实三元组中随机替换尾实体构造的非事实三元组，σ(·)激活函数，此处选用Sigmoid函数；真实三元组的fr(h,t)越小，损失越小，非真实三元组的fr(h,t′)越大，损失越小；该层在三元组粒度上对实体和关系进行建模，提高了模型的表示能力。

4.根据权利要求1所述的一种融合用户情感和知识图增强的景点推荐方法，其特征在于：S3的具体步骤如下：

3.1，不同关系上的邻居节点对景点的影响不同，即不同的关系r对于实体h的表征贡献不同；在复杂度相同的情况下，为提高模型的计算效率，选用内积计算注意力得分，公式为：r T r

π(h,r,t)＝(Met) (Meh+er)    (4)式中，π(h,r,t)为在关系r上的衰减因子，表示由关系r控制的从头实体h到尾实体t的r信息传播量；M为空间变换矩阵，eh, 和 分别表示头实体、尾实体和关系的嵌入；

3.2，对公式(4)利用Softmax函数归一化，公式为：

3.3，设以实体h为头实体的三元组集合为 即实体t为实体h的一阶邻居；为表征实体h的一阶连接结构，聚合h的一阶邻居信息，公式为：

3.4，信息聚合层借助图神经网络，聚合邻居节点特征，将其作为头实体h的特征向量，形式上为：式中， 表示由一阶邻居实体聚合的特征表示，同理得到高阶的邻居实体表示，公式为：

3.5，对于聚合函数f(·)，执行三种聚合操作：f: 分别为：①GCN聚合器，采用非线性激活函数对特征进行加和操作，公式为：d′×d

式中，W∈R 为信息迭代过程中训练参数，b为偏置；

②GraphSage聚合器，对两向量进行拼接并执行非线性激活操作，公式为：式中，||表示拼接操作；

③Bi‑Interaction聚合器，考虑eh和 之间的两种特征交互，公式为：式中，W1, 为可训练的权重参数，⊙为哈达玛乘积；

3.6，经过L层传播和聚合，得到景点的多层表示，即 为充分保障特征信息的完整性，采用以下方式表示景点的最终特征：式中，||表示拼接操作。

5.根据权利要求1所述的一种融合用户情感和知识图增强的景点推荐方法，其特征在于：S4中，根据用户访问景点的历史记录，以评论时间为准，按时间先后对景点进行排序，得到每个用户的景点访问序列。

6.根据权利要求1所述的一种融合用户情感和知识图增强的景点推荐方法，其特征在于：S5的具体步骤如下：

5.1，从用户对景点的评论中分析用户的情感倾向，如果用户ui对景点sp的评论情感呈正向，则用户ui对景点sp的情感得分设置为affip＝1，反之设置为affip＝0；

5.2，设计用户情感随时间变化函数；

5.3，计算用户的特征向量。

7.根据权利要求6所述的一种融合用户情感和知识图增强的景点推荐方法，其特征在于：5.2中，所述设计用户情感随时间变化函数的具体步骤如下：

5.2.1，受牛顿冷却定律启发，物体的温度随时间逐渐冷却，时间衰减公式为：(‑kt)

T(t)＝α+βe     (14)

式中，α和β为常数，k为时间衰减因子，t为时间；

5.2.2，在分析用户特征阶段，根据用户近期游览的景点更能反映用户的兴趣爱好，对近期游览景点特征赋予较大权重，其随时间变化的权重公式为：式中，tus为用户u对景点s的评论时间，min(tus)和max(tus)分别表示在用户u的景点访问序列中，游览第一个景点和最后一个景点的时刻，Δtus＝max(tus)‑tul表示用户u游览第l个景点与最后一个景点的时间间隔，Δt＝max(tus)‑min(tus)表示用户u游览的第一个景点和最后一个景点的时间间隔；

5.2.3，归一化之后的权重公式为：

式中，S(u)为用户u的景点访问序列。

8.根据权利要求6所述的一种融合用户情感和知识图增强的景点推荐方法，其特征在于：5.3中，综合评论中体现的用户情感倾向以及用户情感随时间变化，用户最终的特征表示公式为：式中，efful为用户u对景点l的情感值， 为3.6中计算的景点l特征表示。

9.根据权利要求1所述的一种融合用户情感和知识图增强的景点推荐方法，其特征在于：S6的具体步骤如下：

6.1，将用户u和景点s的特征向量执行内积操作，以预测二者的匹配得分，公式为：

6.2，采用BPR损失优化模型，该算法认为相较于交互过的项目与没交互过的项目，用户更偏爱前者，即前者的预测值更高，公式为：式中，(u,i,j)为训练集，i为用户u交互过的兴趣点，记为正样本，j为用户u没有交互行为的兴趣点，记为负样本， 为内积运算，其结果代表了用户u对兴趣点i可能交互的概率，σ为Sigmoid函数；

6.3，结合景点知识图谱表示学习损失函数，最终的优化函数为：式中，Θ为模型参数，为防止模型的过拟合，采用L2正则，λ为正则化系数。