1.一种基于图表征的会话推荐方法，其特征在于：基于所有用户的会话中交互物品集合s，构建物品图网络T：s＝{v1,v2,…,vm}

T＝(V,E)

其中，v表示会话中的物品，m表示某一会话序列中物品的数量，V表示平台中物品的集合，E表示物品和物品之间的转移关系；

根据物品图网络T，得到物品向量表征，令：

其中，k代表在图网络T中的搜索深度， 代表节点vj在k层的向量表征，B(j)为物品图网络T中当前时间下物品vj的邻居集合，函数f表示将节点vj的邻居节点信息融合到节点vj中非线性函数；

根据物品向量表征，建立用户会话表征；目标用户ui的某一会话 的向量表征 为：

其中，Q是物品的向量矩阵，Q(:,si)代表出现在会话si中所有的物品向量，RNN是循环神经网络方法；

根据用户ui会话表征，建立用户短期兴趣 令：其中，si为用户ui当前会话列表， 为用户ui当前会话si的向量表征；

根据用户会话表征，建立用户长期兴趣 令：

其中，S(i)为用户ui最近的会话列表；POOLING为元素级别的池化操作；

合并用户短期和长期兴趣，获得用户ui最终兴趣gi：其中， 和 分别为用户ui的短期和长期兴趣，⊕为向量拼接操作，W是线性转化矩阵；

根据用户最终兴趣和物品向量表征，推荐物品；将物品vj的向量qj乘以用户兴趣向量，再应用softmax函数计算出物品vj的分数：其中，g代表用户的兴趣向量，代表物品vj成为下一个交互物品的可能性；同时根据的对数似然函数值，计算损失函数：其中，yj代表vj的one-hot编码， 函数用梯度下降法来最优化。

2.根据权利要求1所述的一种基于图表征的会话推荐方法，其中，所述物品图网络T构造方法为：给定一个会话s＝{v1,v2,…,vm}，任一物品vj为图T的节点，(vj-1,vj)为图网络T的边，表示一个用户消费物品vj-1之后消费物品vj；且图的边数值属性为边(vj-1,vj)出现的次数；采用离线文件存储所有时间下每个节点在图网络T中的邻居节点。

3.根据权利要求1所述的一种基于图表征的会话推荐方法，其中，所述物品图网络T中物品vj的邻居集合B(j)，是按照图T中的边由大到小排序采样(sampling)获得。

4.根据权利要求1所述的一种基于图表征的会话推荐方法，其中，所述循环神经网络(RNN)采用长短期记忆网络(LSTM)。

5.根据权利要求1所述的一种基于图表征的会话推荐方法，其中，将所述节点vj的邻居节点信息融合到节点vj中非线性函数f为：其中，Wk是图参数，σ为sigmoid函数。

6.根据权利要求5所述的非线性函数f，其中，所述AGGREGATEk函数采用的是最大池化(max-pooling)方法：其中，max代表元素级别的max操作。