1.一种基于解耦表征学习与图神经网络的服务推荐方法，其特征在于，包括如下步骤：S1、收集用户的完整历史交互序列以及对应类别序列，所述的完整历史交互序列是指用户已经产生的对于服务的交互记录，所述对应类别序列指每个服务对应的类别信息构建的序列；

S2、将服务的集合与类别的集合输入嵌入层得到每个服务以及对应类别的嵌入特征表示，所述的嵌入层是指通过one‑hot编码器和多层感知机得到多维度的特征向量来表示每n×d个服务或者类别，定义嵌入层得到的嵌入特征表示为两个特征矩阵：Xi∈R 为服务特征矩k×d阵，Xc∈R 为类别特征矩阵，其中n表示服务个数，k表示类别个数，d表示特征维度；

S3、构建基于用户交互序列的长期兴趣和短期兴趣建模网络，以及基于类别的用户从众兴趣建模模块S3‑1、基于完整历史交互序列中的服务序列构建超图，经过超图卷积层后捕获用户的长期兴趣；

S3‑2、基于最近历史交互序列中的服务序列捕获用户的短期兴趣；

S3‑3、引入服务类别信息作为数据基础来捕获用户针对类别流行度所产生的从众兴趣；

S4、在步骤S3的基础上，分别将学习的用户长期兴趣hlo、短期兴趣hsh和从众兴趣hco通过多兴趣聚合层进行特征融合，得到最终的用户兴趣表示h，融合方式如下：h＝W[hlo||hsh||hco]+b

其中W和b分别表示权重矩阵和偏置项，[·||·||·]表示特征向量在维度上的拼接；

S5、基于步骤S4中学习得到的用户兴趣h，执行服务推荐任务，针对备选服务集合I，每个服务的推荐评分z由服务特征向量x∈Xi和用户兴趣特征向量h的内积运算得到，即zi＝Txh，使用softmax函数将z进行归一化得到最终的服务评分 然后选择分数最高的top‑N个服务作为推荐列表中的候选服务，推荐任务学习的目标函数表示为交叉熵损失：其中 是指目标服务在给定交互记录序列T情况下会产生交互的概率。

2.根据权利要求1所述的基于解耦表征学习与图神经网络的服务推荐方法，其特征在于，所述用户的完整历史交互序列以及对应类别序列是以在线应用记录的用户交互日志为数据源，所述交互记录包括点击、收藏、评分。

3.根据权利要求1所述的基于解耦表征学习与图神经网络的服务推荐方法，其特征在于，定义I为所有服务的集合，服务个数为n；定义C为所有服务对应类别的集合，类别个数为k；定义用户u的历史交互序列为T＝t1，t2，...，tl‑1，tl，tl+1，其中ti表示第i次交互的记录，包含服务与对应的类别的二元组，即ti＝(Ii，Ci)，l表示序列长度，tl+表示待预测的下一次交互。

4.根据权利要求3所述的基于解耦表征学习与图神经网络的服务推荐方法，其特征在于，所述步骤S3‑1具体如下：S3‑1‑1、定义服务超图为GI∈(Vi，Ei)，Vi和Ei分别为顶点集和超边集，超图邻接矩阵Him×n∈{0，1} ，以一个用户的历史行为序列中的服务序列建立超边，所述超边是指能够连接多个顶点的特殊边，m个用户会建立m条超边，服务序列中包含的服务对应的超图邻接矩阵H位置会设置为1，否则为0；

n×n m×m n×n

S3‑1‑2、定义超图的顶点度矩阵Div∈R 和超边度矩阵Die∈R ，顶点度矩阵Div∈Rm×m和超边度矩阵Die∈R 分别是关于顶点度和超边度的对角矩阵，其中顶点v∈Vi的度超边e∈Ei的度S3‑1‑3、定义超图卷积神经网络用于特征学习与信息传播，相邻网络层之间的计算方式为 其中 表示服务序列对应的服务特征表示，Wi表示权重矩阵，σ(·)表示非线性激活函数，然后使用平均池化策略得到服务的特征表示：其中L表示卷积网络层数，最后使用平均策略聚合序列中的特征信息得到用户长期兴趣hlo：其中l表示用户历史交互序列长度。

5.根据权利要求4所述的基于解耦表征学习与图神经网络的服务推荐方法，其特征在于，所述步骤S3‑2的具体方法如下：s

S3‑2‑1、针对用户完整交互序列T＝t1，t2，...，tl‑1，tl，选择最近的交互子序列T ＝tl‑a，...，tl‑1，tl，a表示选择交互记录的个数，然后将子序列对应的服务特征序列通过双向LSTM编码层，用于结合时间信息，捕获用户的短期兴趣表示 其中 表示初始服务特征表示，m个用户短期兴趣表示的特征矩阵为H，f表特征聚合方法；

S3‑2‑2、以用户为顶点建立用户图GU，顶点之间产生边连接的条件是用户之间存在相同最近交互服务，利用图表征学习捕获不同用户之间的潜在联系，具体传播方式如下：(l+1) ‑1 l

H ＝σ(D AH)

其中D和A分别是用户图GU的度矩阵和单位矩阵,σ(·)是激活函数，同样使用平均池化策略得到用户短期兴趣表示hsh∈H：

6.根据权利要求5所述的基于解耦表征学习与图神经网络的服务推荐方法，其特征在于，所述步骤S3‑3的具体方法如下：以完整的历史交互序列中的类别序列构建类别超图GC∈(Vc，Ec)，Vc和Ec分别为顶点集m×k和超边 集，超图 邻接矩阵 Hc∈ {0 ，1} ，定义类 别超图卷 积计算 ：其中 表示类别序列对应的类别特征表示，

k×k m×m

Dcv∈R 和Dce∈R 分别表示类别超图的顶点度矩阵和超边度矩阵，Wc表示权重矩阵，σ(·)表示非线性激活函数，通过平均池化层后得到用户的从众兴趣hco。