1.一种大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征在于，包括如下步骤：步骤1、构建异质图神经网络分类聚合模型，该模型包括路径鉴别器、大路径邻居节点选择模块和路径内聚合模块；

步骤2、构建损失函数优化训练异质图神经网络分类聚合模型；

步骤3、获取当前用户的音乐数据，输入训练完成的异质图神经网络分类聚合模型，生成个性化的音乐推荐列表；

所述步骤1中，异质图神经网络分类聚合模型的工作过程如下：步骤1.1、根据图的拓扑结构采用路径鉴别器将元路径划分为大邻居路径与小邻居路径；

步骤1.2、对大邻居路径使用大路径邻居节点选择模块，从拓扑和特征两个层面找出相关性最高的节点进行保留；

步骤1.3、对大邻居路径与小邻居路径采用路径内聚合模块进行分类聚合，得到两类节点特征表示；

所述步骤1.1的具体过程为：

步骤1.1.1、计算每条元路径的度值，公式如下：

其中， 为第m条元路径Φm的度值，定义di,j表示Φm的邻接矩阵中第i行第j列的元素，第i行对应第i个节点，第j列对应第j个节点；若第i个节点和第j个节点之间存在边时，则对应设置Φm的邻接矩阵中第i行第j列的元素dij＝1，否则dij＝0； 表示所有目标节点v的数量； 表示由所有目标节点v构成的集合；

步骤1.1.2、计算得到所有元路径的度值集合 其

中p是元路径的总数量；通过下列公式计算度值之间的相对差异进行路径划分：其中，Dmin表示最小度值； 为第m条元路径Φm的相对差异百分比；最终获得所有元路径的相对差异百分比集合步骤1.1.3、在获得所有元路径的相对差异百分比后，路径鉴别器根据相对差异百分比的值将元路径划分为大邻居路径和小邻居路径，划分规则为：预先设定超参数值τ，若当前元路径的相对差异百分比大于等于τ，则将当前元路径划分为大邻居路径；否则，划分为小邻居路径；

所述步骤1.2的具体过程为：

步骤1.2.1、在拓扑层面计算大邻居路径Φbig的过境概率其中， 为不同节点的类型，规定 为目标节点的类型， 为不同邻居节点的类型； 分别为 对应的边关系；

分别为 的传递概率；

步骤1.2.2、在特征层面，计算目标节点v与邻居节点u的特征相似性：其中，h′u、h′v分别为hu、hv归一化后的结果，hu、hv分别为目标节点v与邻居节点u的特征向量； 表示在大邻居路径Φbig下目标节点v与邻居节点u经过标准化之后的特征相似性；‖·‖为L2范数函数；·为点乘计算；∈是一个极小值；

步骤1.2.3、综合特征相似性与拓扑关系来选择大邻居路径中双视角优化的邻居节点：其中， 是在大邻居路径Φbig下目标节点v与邻居节点u的节点重要性得分；

是在大邻居路径Φbig下目标节点v与邻居节点u的过境概率；

步骤1.2.4、选择出目标节点v在大邻居路径Φbig下与邻居节点u经过相似性选择后的邻居集合其中，Select_Top(·)为选择函数； 是在大邻居路径φbig下目标节点v与所有邻居节点的节点重要性得分集合； 为设定的超参数，表示在大邻居路径φbig下保留的邻居节点数量；

所有目标节点在大邻居路径φbig下保留的邻居节点集合构成大邻居路径φbig下的连接关系矩阵 由于有多个不同的大邻居路径，因此所有大邻居路径下的连接关系矩阵构成大邻居连接关系矩阵集合Φbig,1、Φbig,2、 分别表示不同的大邻居路径， 为大邻居路径的总数；

分别表示Φbig,1、Φbig,2、 下的连接关系矩阵；

所述步骤1.3的具体过程为：

步骤1.3.1、对于目标节点 投影公式如下：

x′v＝Wfea·xv (9)；

其中，xv和xv′分别是目标节点v的原始特征和经过特征转换后的投影特征；Wfea是特征投影变换矩阵；

步骤1.3.2、对不同大邻居路径下的连接关系矩阵执行子图上的卷积操作捕捉大邻居路径下的节点特征表示：其中， 分别为目标节点v在第e+1层、第e层卷积时 的节点特征表示； 是 经过归一化后的邻接矩阵； 是 对应的度矩阵；

是 在第e层卷积时可学习的参数矩阵；其中目标节点v在第0层卷积时的节点特征表示 为目标节点v经过特征转换后的投影特征x′v；最终得到大邻居路径Φbig下所有目标节点的节点特征表示为 由于有多个不同的大邻居路径，因此所有大邻居路径下所有目标节点的节点特征表示构成的大邻居路径节点特征表示集合为分别表示Φbig,1、Φbig,2、 下所有目标节点的节点特征表示；

步骤1.3.3、小邻居路径集合为

Φsmall,1、Φsmall,2、 分

别表示不同的小邻居路径，为小邻居路径的总数；按照与步骤1.2.4相同方式，获得小邻居路径Φsmall下的连接关系矩阵 所有小邻居路径下的连接关系矩阵构成小邻居连接关系矩阵集合分别为Φsmall,1、Φsmall,2、 下的连接关系矩阵；通过以下公式，对不同小邻居路径下的连接关系矩阵执行子图上的卷积操作捕捉小邻居路径下的节点特征表示：其中， 分别为目标节点v在第e+1层、第e层卷积时的节点特征表示； 是 经过归一化后的邻接矩阵； 是对应的度矩阵； 是 在第e层卷积时可学习的参数矩阵；其中目标节点v在第0层卷积时 的特征表示 为目标节点v经过特征转换后的投影特征xv′；得到最终小邻居路径Φsmall下的所有目标节点的节点特征表示为 由于有多个不同的小邻居路径，因此所有小邻居路径下所有目标节点的节点特征表示构成的小邻居路径节点特征表示集合为分别表示Φsmall,1、Φsmall,2、 下所有目标节点的节点特征表示。

2.根据权利要求1所述大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征在于，所述步骤2的具体过程为：步骤2.1、将所有大邻居路径、小邻居路径构成邻居路径集合共包含 个邻

居路径，其中 为第 个邻居路径，对应第 个大邻居路径；

为第 个邻居路径，对应第 个小邻居路径；邻居路径集合对应的节点特征表示集合

表示 下所有目标节点的节点特征表示；将节点特征表示作为输入，并采用子图级注意力对不同邻居路径学习到的嵌入向量进行聚合：其中，wk为第k个邻居路径的注意力权重；Wagg是聚合时的权重矩阵；bagg是嵌入聚合时的偏执向量； 是聚合时图级注意力向量的转置；Tanh(·)为激活函数； 表示基于第k个邻居路径Φneigh,k的目标节点v的节点特征表示，单个目标节点的特征表示即为学习到的嵌入向量；βk为第k个邻居路径Φneigh,k对后续推荐及预测任务的贡献；exp(·)为以e为底的指数函数；wn为第n个邻居路径的注意力权重；

步骤2.2、计算最终节点特征嵌入矩阵Z：

其中，Hk为基于第k个邻居路径的节点特征表示；

步骤2.3、通过最小化损失函数 来优化训练整个模型：其中，Yv为目标节点v的标签索引集合；zv是最终节点特征嵌入矩阵Z中目标节点v的向量表示；YL是所有节点的标签索引集合；r是节点的标签索引；Cclass为分类器参数。

3.根据权利要求2所述大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征在于，所述步骤3的具体过程为：步骤3.1、确定大邻居路径、小邻居路径，选择大邻居路径中双重视角优化的邻居节点集合作为节点特征矩阵的初始值；

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；

对每条元路径根据公式(1)计算节点特征矩阵中每条元路径的度值，再通过公式(2)和公式(3)获得每条元路径的相对差异百分比，按照相对差异百分比的值将元路径划分为大邻居路径和小邻居路径；针对大邻居路径，利用公式(4)计算在拓扑层面上每条元路径的过境概率，再通过公式(5)和公式(6)计算在特征层面上每条元路径中节点间的特征相似性，最后使用公式(7)和公式(8)综合过境概率与特征相似性来重构元路径的连接关系；

步骤3.2、基于异质图神经网络分类聚合模型进行节点特征提取；

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；

首先通过公式(9)对所有节点类型进行节点特征转换，将节点原始特征投影到相同的维度上；针对经过步骤3.1所得到的大邻居路径通过公式(10)执行子图上的卷积操作捕捉经过选择过后的节点特征表示，对于小邻居路径下的连接关系采用公式(11)实行子图上的卷积操作获取小邻居路径的节点特征表示；通过公式(12)和公式(13)计算大小邻居路径构成的邻居路径集合中每条邻居路径的注意力权重，最后通过公式(14)得到融合不同语义的最终节点特征嵌入矩阵，最终节点特征嵌入矩阵包括用户节点嵌入矩阵和歌曲节点嵌入矩阵；

步骤3.3、根据公式(15)进行异质图神经网络分类聚合模型参数的不断更新和反向传播；

步骤3.4、对使用公式(14)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。