1.基于注意力机制的用户真实兴趣感知图增强推荐系统，其特征在于：包括基于真实兴趣感知的图增强模块、图对比学习模块、和个性化推荐模块；

所述基于真实兴趣感知的图增强模块提取所有用户的真实兴趣，并生成原始用户‑物品交互图；

所述基于真实兴趣感知的图增强模块计算每个用户对所有物品的注意力分数，建立注意力分数矩阵，并生成增强用户‑物品交互图；

所述基于真实兴趣感知的图增强模块将原始用户‑物品交互图、增强用户‑物品交互图传输至图对比学习模块；

所述图对比学习模块存储有多层图卷积神经网络；每层图卷积神经网络中的一个节点表示一个用户或者物品；

所述图对比学习模块计算节点在原始用户‑物品交互图、增强用户‑物品交互图上聚合更新后的向量表示之间的相似度，赋予节点标签，并利用损失函数对节点的向量表示进行训练，得到训练好的的节点向量表示；

所述个性化推荐模块利用多层图卷积神经网络对原始用户‑物品交互图进行处理，从而生成对用户u的个性化推荐内容；

注意力分数矩阵W如下所示：

其中，用户u对物品v的注意力分数weightsuv如下所示：xuv＝a(eu,ev)  (2)

式中，xuv为中间参量；n为物品数量；a(eu,ev)为用户向量表示eu、物品向量表示ev之间的相似度；u＝1,2，…m；v＝1,2，…，n；h＝1,2，…，n；

生成增强用户‑物品交互图的步骤包括：

S1)对注意力分数和预设注意力阈值T进行比较，将小于预设注意力阈值的注意力分数设置为0，建立更新后的注意力分数矩阵W′；

其中，用户u对物品v的注意力分数更新如下：

式中，weights′uv为更新后的注意力分数；

S2)将原始用户物品交互矩阵与注意力分数矩阵W′进行哈达玛积运算，得到基于用户真实兴趣感知的增强用户‑物品交互图；

所述个性化推荐模块生成对用户u的个性化推荐内容的步骤包括：

1)将用户向量表示和物品向量表示在原始的用户‑物品交互图上进行聚合和更新，得到：式中，k≥0表示第k层图卷积操作；Nu表示与用户u交互的物品集；Nv表示与物品v交互的用户集； 为聚合更新后的用户向量表示； 为聚合更新后的物品向量表示；

2)将每一层图卷积操作得到的向量表示结合，得到用户和物品最终的向量表示，即：式中，K表示总的层数， 表示每一层向量表示的重要性；eu为用户u的最终向量表示；ev用户u的最终向量表示物品v的最终向量表示；

3)对用户u的最终向量表示eu和物品v的最终向量表示ev进行内积操作，得到用户u对物品v的偏好分数；

4)重复步骤1)至步骤3)，获得用户u对物品集合V中每一个物品的偏好分数；

5)根据偏好分数对物品集合V中的物品进行降序排列，提取前Top‑k个物品作为对用户u的个性化推荐内容；Top‑k为大于0的正整数。

2.根据权利要求1所述的基于注意力机制的用户真实兴趣感知图增强推荐系统，其特征在于，注意力分数矩阵W′如下所示：

3.根据权利要求1所述的基于注意力机制的用户真实兴趣感知图增强推荐系统，其特征在于，用户u在原始用户‑物品交互图上聚合更新后的向量表示e′u和用户u在增强用户‑物品交互图上聚合更新后的向量表示e″u之间的相似度similarity(e′u,e″u)如下所示：式中，∈为极小常数，用于防止分母为0。

4.根据权利要求1所述的基于注意力机制的用户真实兴趣感知图增强推荐系统，其特征在于，对比损失函数lossc(similarity(e′u,e″u),label)如下所示：式中，label为标签，label＝1表示两个向量表示相似，label＝‑1表示两个向量表示不相似。

5.一种计算机可读介质，其特征在于：所述计算机可读介质存储有权利要求1至4任一项所述基于注意力机制的用户真实兴趣感知图增强推荐系统的计算机程序；

所述计算机程序被处理器执行时，实现以下步骤：

1)所述基于真实兴趣感知的图增强模块提取所有用户的真实兴趣，并生成原始用户‑物品交互图；

2)所述基于真实兴趣感知的图增强模块计算每个用户对所有物品的注意力分数，建立注意力分数矩阵，并生成增强用户‑物品交互图；

3)所述基于真实兴趣感知的图增强模块将原始用户‑物品交互图、增强用户‑物品交互图传输至图对比学习模块；

4)所述图对比学习模块存储有多层图卷积神经网络；每层图卷积神经网络中的一个节点表示一个用户或者物品；

5)所述图对比学习模块计算节点在原始用户‑物品交互图、增强用户‑物品交互图上聚合更新后的向量表示之间的相似度，赋予节点标签，并利用损失函数对节点的向量表示进行训练，得到训练好的的节点向量表示；

6)所述个性化推荐模块利用多层图卷积神经网络对原始用户‑物品交互图进行处理，从而生成对用户u的个性化推荐内容。