1.一种基于异质图模型的音乐推荐方法，其特征在于，包括如下步骤：步骤1、构建异质图模型HGNN‑BRFE，异质图模型HGNN‑BRFE包括高阶同质区域聚合模块和低阶异质区域模块，高阶同质区域聚合模块又包括区域特征聚合子模块和层间聚合子模块；

步骤2、构建损失函数优化训练异质图模型HGNN‑BRFE；

步骤3、获取当前用户的音乐数据，输入训练完成的异质图模型HGNN‑BRFE，生成个性化的音乐推荐列表；

所述步骤1中，对每种类型的节点设置特定的转换矩阵将其投影到相同的特征空间；对于类型为A的目标节点i，设计一个特定于类型的特征转换矩阵，并将特征转换矩阵的特征转换到公共空间，公式如下：xi′＝WA·xi(1)；

d×d′

其中，WA∈R 为A类目标节点的特征转换矩阵，d为目标节点的原始特征维度，d′为所有类型目标节点特征投影后的维度；xi′为经过特征转换后的A类目标节点i的特征；xi为WA的特征；

所述步骤1中，异质图模型HGNN‑BRFE的工作过程为：步骤1.1、通过区域特征聚合子模块进行区域特征聚合，获得各阶聚合后的特征信息集合；

步骤1.2、通过层间聚合子模块进行层间聚合，获得高阶同质节点特征；

步骤1.3、通过低阶异质区域模块进行低阶异质提取，获得聚合低阶异质信息后的特征表示；

所述步骤1.1的具体过程为：

步骤1.1.1、对各阶内的节点按其前序节点类型进行区域划分，对于同质区域，将其转化为同质子图 并对k阶范围内的区域进行特征提取；在l阶得到同质区域集合同质区域集合共包含p个区域，对同质区域内的所有节点进行特征提取；对任一同质区域进行特征提取获得特征表示的公式为：其中， 是 区域聚合后的特征表示， 为l阶t区域，t＝1,2,…,p；

t

是经过L2正则化的 区域信息；X′是经过特征转换后的节点特征；Wl是l阶t区域的特征转换矩阵；

此 时通 过 同 质 区 域内 特 征 聚 合 得 到l 阶 各 区 域的 聚 合 特 征 表 示步骤1 .1 .2、对 同一阶 内的各 区域使 用注 意力机 制进行 聚合，将作为注意力机制的输入，计算注意力系数，公式如下：其中， 为区域 的注意力系数， 为l阶目标节点i的同质区域； 为节点集合的大小；qs是语义级注意向量；T是转置符号；tanh(·)是tanh激活函数；Wintra是可学习的权重矩阵； 为目标节点i的同质区域的聚合特征；bintra是可学习的偏执向量；

步骤1.1.3、计算任一区域的权重，公式如下：

其中， 为区域 的权重；exp(·)为指数函数；j为区域中节点的索引变量； 为区域 的注意力系数； 为l阶节点l的同质区域；

步骤1.1.4、计算j阶的节点特征表示Zl，由此，获得各阶聚合后的特征信息集合Z＝{Z1,Z2,...,Zl,...,Zk}；Zl的计算公式如下：其中， 为节点数量； 为l阶的节点i特征；

所述步骤1.2的具体过程为：

步骤1.2.1、使用注意力机制聚合各阶的节点特征，将各阶聚合的节点特征信息Z＝{Z1,Z2,...,Zl,...,Zk}作为输入，并通过一个神经网络层计算权重系数及注意力，计算为：其中， 为区域Ri的注意力系数；Ri为目标节点i的同质区域；qz为聚合的节点特征信息向量；Whig为权重矩阵； 为目标节点i的嵌入向量；bhig为偏执向量；βk为l阶的权重系数；为区域总数； 为l阶的原始权重系数；

步骤1.2.2、计算高阶同质特征提取后的节点特征表示：

hig

其中，Z 为高阶同质特征向量；

所述步骤1.3的具体过程为：

步骤1.3.1、假设与目标节点直接相邻的其他类型节点有Φ＝{Φ1,Φ2,...,Φm,...,ΦS}，ΦS为与目标节点直接相邻的第S个节点，S为与目标节点直接相邻的节点总数；Φm为与目标节点直接相邻的第m个节点；m为与目标节点直接相邻节点的索引变量；首先应用节点级注意力来融合Φm的邻居：其中， 为目标节点i在类型Φm的表示向量；σ是非线性激活函数；为目标节点i的邻居节点； 为目标节点i在类型Φm下的邻居节点集合； 是经过特征转换后邻居节点 的节点特征； 是Φm类型邻居节点 的注意力值，计算如下：其中，LeakyReLU(·)为激活函数；||代表连接操作； 是节点层的注意力向量的转置；h′i为经过特征转换后目标节点i的节点特征；h′l为经过特征转换后l阶的节点特征；

步骤1.3.2、在得到所有异质类型节点的嵌入 后，使用

注意力机制来聚合不同的异质信息；

其中， 为目标节点i聚合低阶异质信息后的特征表示； 是Φm类型的邻居的注意力值；

所述步骤2的具体过程为：

将所得节点的高阶同质嵌入和低阶异质嵌入与节点的初始特征进行拼接经过一个神经网络层后得到节点的最终嵌入表示；最终嵌入表示的计算公式如下：

3d d

其中，zi为目标节点i的最终嵌入表示；Wfin和bfin均为可学习参数，Wfin∈R ×，d为节点的原始特征维度； 为目标节点i的高阶同质特征向量；

获得节点的最终嵌入后，通过最小化以下损失函数来优化训练整个模型：其中， 为损失函数值；YL为节点集合；vl为节点集合YL中l阶的节点； 为节点vl的真实标签；C为分类器参数； 为节点vl的嵌入向量；

所述步骤3的具体过程为：

步骤3.1、确定节点特征矩阵，确定区域集合和异质邻居集合；

步骤3.2、基于异质图模型HGNN‑BRFE进行节点特征提取；

将收集到的音乐数据处理成异质图形式，其中异质图的节点代表不同的实体，分别为歌曲、歌手、用户；异质图的边代表实体之间的关系，具体包括听歌关系、创作关系；

对每个节点类型，根据公式(1)进行节点特征的转换；对于每个节点遍历其所在区域，根据公式(2)提取区域特征，根据公式(3)和公式(4)计算每个节点所在区域的权重，根据公式(9)和公式(10)提取每个节点异质类型特征；然后根据公式(8)计算每个节点的高阶同质特征，根据公式(11)计算每个节点的低阶异质特征，最后根据公式(12)计算每个节点的最终嵌入表示，最终嵌入表示即为节点嵌入矩阵；

步骤3.3、根据公式(13)进行参数的不断更新和反向传播；

步骤3.4、对根据公式(12)确定的用户节点嵌入矩阵和歌曲节点嵌入矩阵中的每个节点进行相似度计算，比较用户节点嵌入矩阵和歌曲节点嵌入矩阵中每个节点之间的相似度；将相似度值按照由高到低的顺序进行排序，选取前M个相似度值对应的歌曲生成个性化的音乐推荐列表，此时音乐推荐列表内为与用户喜好最匹配的歌曲。

2.根据权利要求1所述基于异质图模型的音乐推荐方法，其特征在于，所述步骤3.1中，节点特征矩阵包括歌曲特征矩阵、歌手特征矩阵、用户特征矩阵；歌曲特征矩阵由所有歌曲信息组成，歌手特征矩阵由所有歌手信息组成，用户特征矩阵由用户听歌记录组成；

一首歌曲节点的前序节点中包括收听该歌曲的用户节点或推荐该歌曲的其他歌曲节点，识别了前序节点的类型后，根据这些类型对音乐数据进行区域划分，进而确定区域集合；

识别每个区域内与目标节点类型不同的邻居节点，如果目标节点是歌曲，那么歌手、专辑、流派和用户都是目标节点的异质邻居，此时歌手、专辑、流派和用户为异质邻居，将所有区域的异质邻居组合起来，形成目标节点的异质邻居集合。