1.一种处理信息丢失的双通道图融合的会话推荐方法，其特征在于，包括以下步骤：步骤S1、构建项目集V＝{v1,v2,v3,...,v|v|}、会话集S＝{s1,s2,s3,...,s|s|}以及相似会话集；其中，|v|为项目集中的项目数，|s|为会话集中的会话数，每个会话表示为一个集合s，s＝{v1,v2,v3,...,v|n|}，n为会话的长度；Ns为会话s的相似会话集，其中s|n|为相似会话集中的相似会话的数量；

步骤S2、根据当前会话和相似会话集数据，分别构建对应的边序有向图和全局快捷图，分别使用时间信息与全局偏好对会话表示进行增强；

所述边序有向图的构建方法如下：先定义Gh＝(Vh,Eh)， 表示项目集V中的所有项目， 表示边的集合，然后根据节点当前出现的次数Ein(v)进行标注时序；

所述全局快捷图的构建方法如下：先定义Gg＝(Vg,Eg)， 表示项目集V中的所有项目， 表示边的集合，然后对于每一个有序的节点对，均创建一个快捷边ei＝(vi→vj)∈Eg；

步骤S3、将步骤S2所得边序有向图和全局快捷图输入双通道项目‑全局依赖神经网络，双通道项目‑全局依赖神经网络包括边序有向层嵌入学习模块和全局快捷层嵌入学习模块，边序有向层嵌入学习模块和全局快捷层嵌入学习模块分别处理边序有向图和全局快捷图，实现项目节点嵌入学习，最终输出两种图结构下的项目嵌入和全局依赖嵌入；

边序有向层嵌入学习模块对边序有向图的处理如下：

其中Ein(i)表示会话中以vi作为终点按照边序排列的边的顺序， 表示目标项目嵌入聚合所有相邻节点的特征信息后得到的更新项目嵌入， 表示第l层网络中第i个项目(l)嵌入， 表示聚合所有相邻节点的信息后的汇总状态，GRU 表示第l层网络的信息聚合计算， 表示在第l层网络中聚合相邻节点所用的可学习参数， 表示第l层网络中按照vi的边序所对应的第k个项目嵌入， 表示在第l层网络中串联的前k‑1个GRU的隐藏状态信息，0≤k≤di，||表示串联； 为可学习参数矩阵；

全局快捷层嵌入学习模块对将全局快捷图的处理如下：

其中 表示 的项目嵌入聚合所有相邻节点的特征信息后得到的更新项目嵌入，表示在第l层网络中 之间的注意力分数，softmax表示激活函数，用作归一化处理， 表示 的权重向量，σ表示sigmod函数， 表示 之间的权重， 表示(l) (l) d某个相邻节点的项目嵌入，p ,b ∈R 和 均为可学习参数， 表示关于 的注意力分数，T表示转置操作；

步骤S4、分别对步骤S3所得项目嵌入和全局依赖嵌入进行多次交错层处理嵌入，具体方法为：先将当前会话的项目交错嵌入全局快捷层、边序有向层，将所有之前层的输出级联起来 然后经过堆叠多个卷积网络层来获得高阶的信息，在最后一层输出每个项目的嵌入表示，最终得到当前会话的项目嵌入，先将相似会话集的项目交错嵌入边序有向层、全局快捷层，将所有之前层的输出级联起来 然后经过堆叠多个卷积网络层来获得高阶的信息，在最后一层输出每个项目的嵌入表示，最终得到相似会话集的项目嵌入，步骤S5、根据获得的当前会话嵌入和相似会话集嵌入进行信息门控融合；

步骤S6、使用注意力机制聚合节点实现图表示；

步骤S7、计算候选物品的推荐概率，给出损失函数。

2.根据权利要求1所述的处理信息丢失的双通道图融合的会话推荐方法，其特征在于，所述步骤S5的详细融合方法为：其中 表示融合门中的权重矩阵，bf表示偏移矢量，均为可学习参数，σ表示激活函数，f表述输入的重要程度， 是最终项目嵌入。

3.根据权利要求1所述的处理信息丢失的双通道图融合的会话推荐方法，其特征在于，所述步骤S6的详细过程为：使用会话s中最后一个项目嵌入xn作为局部级别的会话嵌入，然后使用注意力机制计算权重，得到全局级别的会话嵌入，具体计算公式如下：β＝soft max(ε)

d d×d

其中q,r∈R和M1,M2∈R 均为可学习参数，q为投影矢量，r为偏移矢量， 表示会话中第i个项目的项目嵌入，xn为局部级别会话嵌入，β表示项目i对于整个会话的注意力分数，hg表示全局级别的会话嵌入。

4.根据权利要求1所述的处理信息丢失的双通道图融合的会话推荐方法，其特征在于，所述步骤S7的具体计算公式如下：sh＝Mh(sg||sl)

其中，Mh是一个可学习参数，sg＝hg，sl＝xn为会话嵌入表示，zi表示项目vi的预测分数，yi表示第i个候选项目的真值标签， 表示第i个候选项目的预测概率， 表示交叉熵损失函数。