1.一种基于双路径异构图链路预测的音乐推荐方法，基于各个种类的音乐分别对应包含该类音乐标签特征的节点，其特征在于，包括如下步骤：S1、基于图神经网络，对代表各节点的音乐标签特征矩阵增加随机标签特征矩阵，构成局部增强特征矩阵；

S2、基于该局部增强特征矩阵，结合添加了自环后的邻接矩阵、度矩阵，以及可学习的权重矩阵，构建生成模型；基于图卷积网络，在图卷积网络的第一个图卷积层后连接生成模型，构建局部增强图卷积神经网络，如下式：，

(1)

其中，H 为第一个图卷积层， 为节点音乐标签特征矩阵， 为局部增强特征矩阵，表示GCN的模型， 表示生成模型，  ，阵 和 分别表示添加了自环后的邻接矩阵A和度矩阵D，表示连接操作， 表示激活函数，  为可学习的权重矩阵，其上下标分别表示层数和参数的序号；同时，令 ，表示维度；

S3、在局部增强图卷积神经网络输出端连接残差连接，之后进行L2归一化处理，获得对应各节点的第一更新节点；

S4、计算代表各节点的邻居节点的音乐标签特征对该节点音乐标签特征的重要性，之后进行归一化处理，获得归一化的注意力系数；

S5、结合该归一化的注意力系数，对邻居节点的音乐标签特征进行加权求和，构建基于动态注意力机制的图注意力网络，并在该基于动态注意力机制的图注意力网络的输出端连接残差连接，之后进行L2归一化处理，获得对应个节点的第二更新节点；

S6、将第一更新节点、第二更新节点进行拼接融合后得到最终的更新节点，利用辅助学习模型，结合纠正模块，获得节点间音乐推荐链路预测结果；

纠正模块用于更好的平衡辅助任务的权重，该模块采用的图是基于含有虚拟节点的增强图，按如下公式获得更新后的虚拟节点：，

其中， 表示线性层和 ReLU， 表示以累加的方式聚合邻居特征， 是虚拟节点；

按如下公式获得引入虚拟节点后的节点 的音乐标签特征：，

其中， 和 分别表示在增强图中引入虚拟节点前后的节点 的音乐标签特征； 作为辅助任务的权重函数，用于平衡辅助任务； 表示节点 的邻居节点集合， 和 分别表示节点 和节点 的音乐标签特征。

2.根据权利要求1所述的一种基于双路径异构图链路预测的音乐推荐方法，其特征在于，步骤S1具体为：按如下公式获得局部增强特征矩阵 ：

，

其中， 是对节点的音乐标签特征矩阵 截取的一部分特征，且 的维度与 的维度一致，表示连接操作， 表示随机标签特征。

3.根据权利要求2所述的一种基于双路径异构图链路预测的音乐推荐方法，其特征在于，步骤S3 中，在局部增强图卷积神经网络输出端连接残差连接，之后进行L2归一化处理，如下式：，

(0)

其中，H 即为初始的增强特征矩阵 ， 表示L2范数。

4.根据权利要求3所述的一种基于双路径异构图链路预测的音乐推荐方法，其特征在于，步骤S4 包括如下子步骤：S4.1、按如下公式计算节点 的邻居节点 音乐标签特征对该节点音乐标签特征的重要性：，

其中， 是学习的系数，是拼接操作， 和 分别表示节点 和节点 的音乐标签特征， 是非线性激活函数；

S4.2、按如下公式进行归一化处理：

，

其中， 表示节点 的邻居节点集合， 和 分别表示节点 和节点 的音乐标签特征， 表示归一化操作。

5.根据权利要求4所述的一种基于双路径异构图链路预测的音乐推荐方法，其特征在于，步骤S5包括如下子步骤：S5.1、结合该归一化的注意力系数，对邻居节点特征进行加权求和，如下式：，

其中， 为非线性激活 函数；

S5.2、按如下公式获得各节点对应的第二更新节点:。