1.一种基于异质图神经网络商品推荐方法，其特征在于，具体包括如下步骤：S1，读取用户和商品购物数据库，并对数据进行剔除，构建异质图并采用遮蔽机制进行子图分割，利用均值聚合和拼接聚合的方式，得到预处理后的图结构和属性数据；

S2，构建图卷积属性增强门控网络，对噪声节点进行遮蔽；

S3，构建基于增强属性指导的异质图神经网络商品推荐模型AGHRec，对用户进行商品推荐；

步骤S1具体包括如下步骤：

S1.1，从用户和商品购物数据库中读入用户和商品的交互数据集，剔除缺失的用户和商品的信息；

S1.2，构建异质图 ，  ，其中 代表节点数据，包括：用户和商品，代表边集，包括：用户与商品之间的购买关系， 代表多维属性数据，包括：商品品牌和品牌成分；

S1.3，将属性特征与节点信息进行匹配，采用遮蔽机制将包含属性的异质图 ，分割为和 两个子图，其中 表示遮蔽多维属性后仅保留节点的拓扑交互图，即， 则表示遮蔽拓扑节点后仅保留属性的多维属性交互图，两个子图中的边集 相同，即；

S1.4，在拓扑交互图 的基础上，将 处理为一阶邻居引导的异质视角，并采用对称的元路径引导创建同质视角 ， ，其中， 表示对参数 执行归一化的函数， 表示用户与商品之间的交互矩阵， 表示商品与用户之间的交互矩阵；

S1.5，对多维属性数据 进行处理，同种类型属性采用均值聚合，对非同种类型的属性采取拼接方式聚合，并利用非线性变换将属性数据映射到相同的维度空间，最终得到处理后的多维属性初始特征 ；

步骤S2具体包括如下步骤：

S2.1，将不同类型的初始属性数据 使用线性变换映射到相同的维度空间，构建层图卷积 层 GC N s对 节 点之 间的 属 性进 行 关联 ，其中 映 射后 的 用 户属 性，其中 表示图卷积层数， 为权重参数， ，为单位矩阵， 为 的度矩阵， ， 是图卷积第 层中用户属性的嵌入表示，是用户属性的初始特征  ， 是非线性激活函数；映射后的商品属性用 表示，其计算方式与映射后的用户属性计算方式相同；

S2.2，计算用户增强属性特征 ， ，表示图卷积层数；商品增强属性特征用 表示，计算方法与用户增强属性特征的计算方式相同；

S2.3，计算商品节点与 的增强属性之间的曼哈顿距离， 和 表示维度， 和 为向量，分别代表商品

节点和商品节点 的嵌入空间距离，m，n表示向量 和 中的元素值，并将曼哈顿距离映射为属性之间的相似度分数 ，其中， ， 表示商品节点 的两种邻居节点 的集合；

S2.4，依据增强属性相似度分数完成序列排名，选择与目标商品节点最相似的前z个异质邻居；通过增强属性计算同质节点之间的相似度，判断相似度是否满足阈值，若是，则在遮蔽矩阵中设置为1，反之设置为0，完成遮蔽矩阵的构建；

步骤S3具体包括如下步骤：

S3.1，对目标商品节点选择后的一阶异质用户邻居 进行聚合处理，对同质节点特征 进行均值聚合；聚合后的特征为 ，其中 代表同质节点个数；异质节点 特征 采用注 意力 机制进 行聚 合，其 中注 意力 得分公 式为 ：，进而生成节点在异质视角下的嵌入表示

；

S3.2，将得到的同质节点遮蔽矩阵 与元路径引导的相似度子图 进行哈达玛积，并采用softmax函数归一化， ，过滤掉属性相似度低的同质节点，并采用注意力机制对不同元路径下的相似度子图进行融合，其中， 表示不同相似度子图的软注意力， 和

表示变换矩阵， 和 表示偏执矩阵；

令  ； ，其中， 表示软

注意力得分，执行图卷积GCNs从而捕获更高阶的同质节点特征，进而得到同质节点特征表示 ，其中， 表示融合后的相似度矩阵；

S3.3，将目标商品节点与其对应的增强属性设定为正样本对，不相关的增强属性设定为负样本对；计算目标商品节点与增强属性特征的范数，并计算目标商品节点与正样本增强属性以及负样本增强属性之间的相似度，最大化正样本之间的相似度，最小化负样本之间的相似度，最大化增强属性特征与目标商品节点特征之间共性；

S3.4，将增强属性特征，分别与异质和同质视角下的特征进行拼接组合，为用户推荐的商品序列为 ， 分别表示增强属性指导后的异质视角和同质视角， 为预测得到的用户和商品交互的概率得分， 为激活函数， 表示用户的嵌入表示； 表示商品的嵌入表示；将特征映射到0‑1之间；

S3.5, 计算损失函数 ，其中 表示用户的对比损失函数， 表示商品的对比损失函数，最终输出与用户最可能交互的前 个商品列表 。