1.一种融合多元信息的图神经网络会话推荐方法，其特征在于，具体包括如下步骤：S1，基于普通图构建学习模块，根据节点间四种不同的转换关系，使用不同的可训练权重向量得到某节点对其邻居节点的注意力权重，从而进行邻居信息聚合，得到普通图节点表示；

S2，基于超图构建学习模块，根据节点和超边之间的从属关系，通过节点到超边和超边到节点的双向信息传播，学习蕴含群体意图的节点表示；

S3，基于注意力和平均值聚合后续节点信息，构建后续节点注入模块，捕获节点的全局级后续信息；

S4，构建融合模块，融合普通图和超图的节点表示，在此基础上拼接位置信息得到会话表示，然后对该会话表示注入节点的全局级后续信息，得到最终会话表示；

S5，构建预测模块，通过计算候选节点嵌入表示与会话表示的点积，生成用于推荐的候选节点的预测概率。

2.根据权利要求1所述的一种融合多元信息的图神经网络会话推荐方法，其特征在于，步骤S1具体包括如下步骤：S1.1，由 表示由会话 构建的普通图，边为会话 中节点之间的转换，向量 表示节点 的初始d维嵌入，其中 ， 表示所有会话中节点的集合；

S1.2，使用注意力机制学习某节点 的邻居节点的不同权重，注意力系数通过点乘和非线性变换获得：                 （1）；

其中， 为激活函数， 表示节点 对节点 的重要性， ， 是的一阶邻居的集合， 表示权重向量； 表示节点 的初始d维嵌入；

S1.3，通过softmax函数对注意力分数进行归一化：                                   （2）；

其中， 为归一化后的权重， 表示节点 对节点 的重要性；

每个节点的嵌入通过相邻节点嵌入的线性组合得到，具体为：                                  （3）；

其中， 表示由普通图得到的节点嵌入。

3.根据权利要求2所述的一种融合多元信息的图神经网络会话推荐方法，其特征在于，步骤S1.2中的权重向量 根据不同的转换关系选择 ,  ,  ,  中的一种； ,  ,  和 是可训练权重向量；对于边 ， 对应节点 到的转换， 对应节点 到 的转换，  对应节点 和节点 之间的双向转换，对应一个节点的自转换，其中， 和 分别表示用户在会话 中选择的第 个和第 个节点。

4.根据权利要求1所述的一种融合多元信息的图神经网络会话推荐方法，其特征在于，步骤S2具体包括如下步骤：S2.1，使用滑动窗口捕捉会话的群体意图的转换，在超图中添加整个会话作为超边，即超边的长度完全由会话的长度决定；

S2.2，通过多个NEN块学习超图中的节点表示和超边表示，包括两个传播步骤：节点到超边的传播和超边到节点的传播。

5.根据权利要求4所述的一种融合多元信息的图神经网络会话推荐方法，其特征在于，步骤S2.2具体包括如下步骤：S2.2.1，节点到超边的传播：

假设由超边 连接的节点形成一个簇，该簇具有一个虚拟中心，通过计算超边所连接的节点的平均值得到虚拟中心 ，即 ；其中， 代表超边，代表平均值函数；通过公式（4）和公式（5）获得超边 的特征 ：               （4）；

                             （5）；

其中， 表示可训练参数， 表示哈达玛积， 表示超边 对节点 的注意力权重， 表示节点 的初始d维嵌入；

S2.2.2，超边到节点的传播：

将当前会话中包含的所有节点的平均值视为 作为节点的虚拟中心，即，使用 判断超边 对于当前节点 是否更重要，表示节点 的初始d维嵌入；通过公式（6）和公式（7）获得节点特征 ：                 （6）；

                            （7）；

其中， 代表可训练参数， 代表当前会话中 所属的所有超边的集合， 表示节点 对超边 的注意力权重， 代表超边 的特征；

S2.2.3，基于节点到超边和超边到节点的双向传播过程，将超边和节点表示为， 代表一次节点到超边和超边到节点的双向传播过程；

S2.2.4，整个会话中所有节点构成的超边为 ，超边特征 通过步骤S2.1 S2.3过程获~得，计算由超图得到的节点嵌入表示 ，即：                         （8）；

其中， 代表sigmoid激活函数。

6.根据权利要求1所述的一种融合多元信息的图神经网络会话推荐方法，其特征在于，步骤S3包括如下步骤：S3.1，通过注意力机制学习全局级节点表示：利用公式（9）计算最后一个节点 对后续节点 的注意力权重 ：     （9）；

其中，表示拼接操作， 是当前会话中最后一个节点 的初始d维嵌入，代表最后一个节点 和后续节点 之间的共现次数,  、 代表可训练参数， 代表最后一个节点 和后续节点 之间的共现次数；

聚合m个后续节点获得会话表示：

                         （10）；

其中， 代表注意力聚合得到的会话表示， 是节点 的初始d维嵌入，代表从最后一个节点 的全局级可能后续节点中选择m个后续节点的集合， 为最后一个节点 对后续节点 的注意力权重；

S3.2，基于平均值学习全局级节点表示 ：               （11）；

S3.3，全局级后续节点信息 ，根据公式（12）计算：                          （12）。

7.根据权利要求1所述的一种融合多元信息的图神经网络会话推荐方法，其特征在于，步骤S4包括如下步骤：S4.1，利用公式（13）融合普通图和超图的节点表示：                      （13）；

其中， 代表融合后的节点嵌入， 代表可训练参数；

S4.2，使用可学习的位置嵌入矩阵 ，其中 代表特定位置i的位置向量，通过拼接 和位置嵌入 获得具有位置信息的节点嵌入：                 （14）；

其中， 代表具有位置信息的节点嵌入， 代表可训练参数；

S4.3，使用当前会话的平均值计算最终会话表示，平均值 通过公式（15）计算：                             （15）；

其中，代表会话s的长度；

S4.4，通过注意力机制将有位置信息的节点嵌入和当前会话的平均值结合表示为当前节点 的注意力权重 ：            （16）；

其中， ,   和 ,  是可训练参数；

S4.5，来自普通图和超图的会话表示 为：                             （17）；

S4.6，融合普通图、超图和后续节点产生的会话表示，得到最终的会话表示 ；

                             （18）。

8.根据权利要求1所述的一种融合多元信息的图神经网络会话推荐方法，其特征在于，步骤S5包括如下步骤：S5.1，基于步骤S4.6获得的会话表示 ，计算节点 在当前会话中作为下一次点击出现的概率 ：                          （19）；

S5.2，损失函数 定义为：

                          （20）；

其中， 表示真实节点的one‑hot编码向量，为所有的标签构成的矩阵。