1.一种基于动态超图和排名重构模型的会话推荐方法，其特征在于，具体包括如下步骤:S1，利用重复兴趣超图和最近兴趣超图，构建超图构造模块；

S2，基于GNN模型双向学习节点和超边表示，利用注意力和位置信息生成会话表示，构建基于超图的学习模块；

S3，针对当前会话的最后一个节点从全局角度学习后续信息，构建会话间协同信息注入模块；

S4，构建预测模块，用于生成推荐的候选节点的预测概率；

步骤S1中基于会话中的重复节点，对于重复节点及重复节点之间的节点采用超边连接，会话中所有超边和节点构成重复兴趣超图；

步骤S1中参考滑动窗口的结构，同时根据会话中节点的固有优先级，即最近点击节点更能反映用户偏好，构建最近兴趣超图用以覆盖用户最近点击的节点，对于会话，最近兴趣超边分别为 , ,，其中， 代表用户在会话 中选择的第 个节点；

步骤S2具体包括如下步骤：

S2.1，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， 代表平均值函数， 代表节点；

利用公式（1）和公式（2）计算超边 的特征 ：         （1）；

                 （2）；

其中， 表示以e为底的指数函数， 表示激活函数， 表示可训练参数， 为 的转秩， 表示哈达玛积， 表示超边 对节点 的注意力权重；向量表示节点 的初始d维嵌入，其中 ，其中 表示所有节点的集合，其中 代表所有节点的个数，向量 表示节点 的初始d维嵌入；

S2.2，超边到节点的传播：

将节点 所属的所有超边的平均值视为 ，即 ，其中，为当前会话中节点 所属的超边 的特征，使用 判断超边 对于当前节点 的重要程度，通过公式（3）和公式（4）获得节点特征 ：           （3）；

                  （4）；

其中， 表示可训练参数， 为 的转秩， 表示当前会话中 所属的所有超边的集合， 表示节点 对超边 的注意力权重， 表示节点 对超边 的注意力权重；

步骤S2还包括如下步骤：

S2.3，对超图学习中的位置进行排名重构：对会话中任一节点 计算它与当前会话中其他节点在全局中的共现得分总和，通过得到的分值对当前会话中节点进行排名，最终得到一个新的排名位置，对于新的排名位置，使用可学习的排名嵌入矩阵 表示，其中， 代表排名嵌入，通过拼接位置嵌入 、节点特征 和排名嵌入 来获得具有位置重构排名信息的节点嵌入：         （5）；

其中， 是激活函数， 是具有位置重构信息排名的节点嵌入， 是一个可训练参数；

S2.4，通过注意力机制将含有位置重构排名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 ：           （6）；

其中，为激活函数， ,   和  ， 为可训练参数，  为的转秩， 为当前会话中节点表示的平均值，即 ，其中代表会话的长度；

S2.5，超图模块学习到的会话表示 由公式（7）计算：                    （7）；

步骤S3包括如下步骤：

S3.1，基于注意力机制学习全局级节点表示：计算最后一个节点 对它的全局层面的后续节点 的注意力权重 ，公式如下：     （8）；

其中， 为当前会话最后一个节点 和后续节点 之间的共现次数, 、  为可训练参数， 为 的转秩； 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，向量 表示节点 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r个后续节点的集合；

聚合r个后续节点获得会话表示 ：                （9）；

S3.2，基于平均值计算平均后续信息 ：         （10）；

S3.3，由会话间协同信息注入模块得到的会话表示 如下：                   （11）。

2.根据权利要求1所述的一种基于动态超图和排名重构模型的会话推荐方法，其特征在于，步骤S4包括如下步骤：S4.1，通过融合层融合所有会话表示，得到最终的会话表示 ：                   （12）；

其中， 代表超图模块学习到的会话表示；

S4.2，计算每个节点在当前会话中作为下一次点击的出现概率 ：              （13）；

其中， 表示 的转秩， 代表激活函数；

S4.3，损失函数 为：

              （14）；

其中， 表示对数函数， 表示真实节点的one‑hot编码向量， 代表所有节点的个数。