1.一种基于节点特征增强的神经网络平台小说推荐方法，其特征在于，构建基于节点特征增强的异质图神经网络模型HGNN‑CERE，该模型包括小度节点连通性增强模块、路径净化模块和路径间聚合模块；该方法具体包括如下步骤：步骤1、从当前小说平台收集所有用户的所有小说历史数据，并处理成异质图形式，并进行特征转换；

步骤2、小度节点连通性增强模块利用节点重要性发现算法识别异质图中的关键节点信息，然后将小度节点与关键节点信息相连，扩展小度节点的连接关系；

步骤3、基于路径净化模块动态调整每条元路径的权重；具体过程为：步骤3.1、定义异质图的元路径集合 ， 为第 个元路径；计算每个节点在每个元路径注意力值：

 (7)；

其中， 是第 个节点 在第 个元路径 的注意力值， ； 是第个节点 在第 个元路径 的邻居节点集合； 为以e为底的指数函数；

是激活函数；代表连接操作； 是第 个元路径 的注意力向量；

是经过特征变换后第 个节点的特征向量； 是经过特征变换后第 个节点的特征向量，此处第 个节点为 中的第 个邻居节点；

步骤3.2、采用注意力机制执行元路径内聚合，获取每个节点在每个元路径的特征嵌入向量： (8)；

其中， 是第 个节点 在第 个元路径 的特征嵌入向量； 是激活函数；

步骤3.3、在得到了每个节点在每个元路径的特征嵌入向量后，将同一元路径的所有节点的特征嵌入向量按行堆叠，获得了同一元路径所有节点构成的特征嵌入矩阵；然后将原始节点特征矩阵与特征嵌入矩阵融合： (9)；

其中， 是融合后的第 个元路径 的特征嵌入矩阵； 为第 个元路径所有节点构成的特征嵌入矩阵； 是原始节点特征矩阵；是可学习参数，表示元路径可信度的权重，根据 动态调整每条元路径的权重，计算公式为： (10)；

其中，是另一个可学习的参数； 表示sigmoid激活函数；

步骤4、路径间聚合模块采用路径级聚合策略融合不同元路径的特征嵌入，生成节点的最终嵌入矩阵表示；

步骤5、构建损失函数优化训练模型HGNN‑CERE；

步骤6、获取当前用户的小说数据，输入训练完成的模型HGNN‑CERE，根据每个用户的偏好生成个性化的小说推荐列表。

2.根据权利要求1所述基于节点特征增强的神经网络平台小说推荐方法，其特征在于，所述步骤1的具体过程为：步骤1.1、异质图中的节点代表不同的实体，由于历史数据中包含小说、作者、用户多种实体，因此异质图中的节点包含小说、作者、用户、小说平台多种类型；异质图的边代表实体之间的关系，具体包括阅读关系、创作关系、从属关系；异构图是由多种类型节点构成的图，根据历史数据构建得到每种实体的节点特征矩阵，所有的节点特征矩阵组成所需的异构图；其中，节点特征矩阵包括小说节点特征矩阵、作者节点特征矩阵、用户节点特征矩阵；小说节点特征矩阵由所有小说信息组成，作者节点特征矩阵由所有作者信息组成，用户节点特征矩阵由用户阅读记录组成；

步骤1.2、节点特征矩阵中的原始节点特征位于不同的特征空间，对节点进行特征转换： (1)；

其中， 是第 个节点 的原始特征，为节点的原始特征维度；

是某一类型节点的变换矩阵， 为经过变换之后的节点特征维度； 是经过特征变换后第 个节点 的特征向量。

3.根据权利要求2所述基于节点特征增强的神经网络平台小说推荐方法，其特征在于，所述步骤2的具体过程为：步骤2.1、计算异质图中每个节点的度值：

 (2)；

其中， 表示异质图的邻接矩阵； 是邻接矩阵 中第 行第 列的值，表示第 个节点 和第 个节点 是否相连，第 行对应第 个节点，第 列对应第 个节点； 表示所有节点的数量； 为节点 的度值；

获得所有节点的度值后，对于每个节点遍历其所在区域，使用一个排名函数来选择其中的小度节点： (3)；

其中， 是所有节点的度值列表； 是排名函数，用来对度值进行排名，并经过选择函数 选取其中的前 个节点作为小度节点； 是经过选择后的小度节点列表；

步骤2.2、使用介数中心性作为衡量标准，来判断节点的重要性： (4)；

其中， 是节点 的介数中心性； 是从第 个节点 到第 个节点 的最短路径中经过节点  的路径数量； 是从第 个节点 到第 个节点 的最短路径数量；

步骤2.3、对介数中心性进行标准化；异质图中包含了有向图和无向图，用户与小说之间是有向的，构成了一个有向图，而用户与用户之间是无向的，构成了一个无向图；对于无向图，标准化的介数中心性为： (5)；

其中， 是无向图中节点 标准化的介数中心性； 是无向图中节点的总数量；

对于有向图，标准化的介数中心性为：

 (6)；

其中， 是有向图中节点 标准化的介数中心性； 是有向图中节点的总数量；

步骤2.4、在获得每个节点的标准化介数中心性后，选出其中最大的前 个节点作为关键节点来扩展小度节点的连接关系；扩展连接关系的具体过程为：定义 表示第 个节点当前可考虑连接的关键节点集合；用 表示第 个节点 的评分函数，若当前节点为小度节点，则它会从关键节点集合 中通过评分函数 选择一个评分最优的节点，若小度节点和评分最优的节点之间当前没有连接，则在当前小度节点和评分最优的节点之间建立连接。

4.根据权利要求3所述基于节点特征增强的神经网络平台小说推荐方法，其特征在于，所述步骤4的具体过程为：步骤4.1、在获得融合后的不同元路径的特征嵌入矩阵 后，为融合后的第 个元路径 的特征嵌入矩阵，计算不同元路径的表示能力评分： (11)；

其中， 是第 个元路径 的表示能力评分； 是异质图中所有节点的集合；

是注意力向量； 和 是不同的可学习参数； 是第 个节点 在第 个元路径 的特征嵌入向量；

步骤4.2、对表示能力评分进行归一化处理，得到注意力权重： (12)；

其中， 是第 个元路径 的注意力权重；是元路径的数量； 是第 个元路径 的表示能力评分；

步骤4.3、根据注意力权重，获得节点的最终嵌入矩阵表示： (13)；

其中， 是第 个节点 的最终嵌入矩阵表示； 是第 个元路径 的注意力权重。

5.根据权利要求4所述基于节点特征增强的神经网络平台小说推荐方法，其特征在于，所述步骤5中，通过最小化以下损失函数来优化训练整个模型： (14)；

其中， 为损失函数值； 为节点集合； 为节点集合   中 阶的节点； 为 的真实标签；为分类器参数； 为 的最终嵌入矩阵表示。

6.根据权利要求5所述基于节点特征增强的神经网络平台小说推荐方法，其特征在于，所述步骤6中，对于用户节点，根据公式(13)得到用户节点的最终嵌入矩阵表示，对于小说节点，得到小说节点的最终嵌入矩阵表示；进行相似度计算，计算用户节点的最终嵌入矩阵表示和小说节点的最终嵌入矩阵表示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 个相似度值对应的小说生成个性化的推荐列表，此时推荐列表内为与用户喜好最匹配的小说。