1.一种融合注意力机制和图对比学习的链路预测方法，其特征在于，包括以下步骤：S1，通过异构群体交互图获得两个目标群体的属性矩阵和结构矩阵，分别对属性矩阵、结构矩阵进行编码操作得到两个目标群体的属性嵌入和结构嵌入；所述两个目标群体分别为用户群组和待推荐对象的候选集；

S2，采用注意力机制对待链路预测的两个目标群体进行群体学习；

S2‑1，使用线性投影将S1中的属性嵌入和结构嵌入表示转换成键向量和值向量；

S2‑2，将键向量和值向量通过s个基于Transformer的注意力模块来计算两个目标群体的s个视图表示；

S2‑3，在每个视图中，将节点表示集合作为输入，然后计算视图下每个节点的权重，并返回节点表示的加权和作为视图表示，然后计算两个目标群体视图表示的相似度得分，将相似度得分从高到低排序，选择前K个作为当前用户群组的推荐对象集合；

其中，在每个视图中，将节点表示集合作为输入，然后计算视图下每个节点的权重，并返回节点表示的加权和作为视图表示，然后计算两个目标群体视图表示的相似度得分，包括：为每个群体视图引入了一个可训练的查询向量Q，然后，使用“视图引导注意力”机制计算Q与每个节点的key向量之间的相似度，再使用Softmax函数来计算每个节点相对于Qs的注意力权重，如下所示：其中Qs是第s个视图的查询向量；

T

·是转置符号；

gp表示具有m个节点的目标群体；

vj

K1(ip,a)表示属性向量Z 的键向量；

vj

K2(ip,a)表示结构属性E 的键向量；

ω1和ω2是超参数；

是查询向量的维度的平方根，用于缩放注意力权重；

Softmax函数确保权重的有效归一化；

其中 是在第s个视图下群体gp通过对个体a的嵌入V(ip,a)进行加权求和的嵌入表示形式；

其中 表示两个嵌入向量之间的相似度得分；

是在第 个视图下群体gp通过对个体l的嵌入V(ip,l)进行加权求和的嵌入表示形式；

是在第 个视图下群体gq通过对个体l的嵌入V(ip,l)进行加权求和的嵌入表示形式；

MAX表示取最大值；

为不超过s的值；

⊙表示Hadamard乘积；

σ是Sigmoid函数；

MLP表示多层感知器。

2.根据权利要求1所述的一种融合注意力机制和图对比学习的链路预测方法，其特征在于，采用图神经网络GNN进行编码操作，对属性矩阵的编码操作如下：

其中 表示样本的双视图属性嵌入；

GNNj表示第j个图神经网络；

X表示属性矩阵；

表示属性矩阵第i个样本在目标群体第j个视图下的表示；

||·||2表示二范数；

N表示样本总数量；

对结构矩阵的编码操作如下：

其中 表示样本的双视图结构嵌入；

表示结构矩阵第i个样本在目标群体第j个视图下的表示；

A表示结构矩阵。

3.根据权利要求1所述的一种融合注意力机制和图对比学习的链路预测方法，其特征在于，包括以下步骤：在属性编码过程中，过滤属性矩阵X中的高频噪声，如下所示：其中 是经过滤波处理后的属性矩阵；

Filter(L,X)表示输入矩阵X应用滤波器L进行滤波操作。

4.根据权利要求1所述的一种融合注意力机制和图对比学习的链路预测方法，其特征在于，所述使用线性投影将S1中的属性嵌入和结构嵌入表示转换成键向量和值向量，包括：对于具有属性嵌入和结构嵌入的给定节点进行转置相乘，此过程表示为：其中K1(ip,a)表示属性向量 的键向量；

K2(ip,a)表示结构属性 的键向量；

V1(ip,a)表示属性向量 的值向量；

V2(ip,a)表示结构属性 的值向量；

ip,a表示群体gp中的个体a；

K(ip,a)，V(ip,a)分别是个体ip,a的Key向量和Value向量；

K，V分别表示注意力模块中的键向量和值向量；

Linear(·)表示线性投影；

表示结构矩阵第i个样本在目标群体第j个视图下的表示；

表示结构矩阵第k个样本在目标群体第l个视图下的表示；

表示结构矩阵第i个样本在目标群体第j个视图下的表示；

表示结构矩阵第k个样本在目标群体第l个视图下的表示；

i,k∈{1,2,...,N}；j,l∈{1,2}。

5.根据权利要求1所述的一种融合注意力机制和图对比学习的链路预测方法，其特征在于，在所述链路预测方法的训练过程中，采用的损失函数为：其中，λ是一个权衡参数；

表示infoNCE损失， 表示Triplet损失。