1.一种基于上下文邻居关系建模的会话社交推荐方法，其特征在于：构建目标用户ui的社交网络G，令：

G＝{U,E}

其中，U表示社交网络中目标用户ui的朋友集合，E是目标用户的社交连接；

构建用户会话向量表征，包括目标用户ui和他的朋友们N(i)；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；长短期记忆网络LSTM是一种循环神经网络方法(RNN)，是标准的序列建模工具；长短期记忆网络LSTM可以按序地输入会话si，并输出当前序列向量表征；

对于目标用户在时间t的当前会话 他的第l个朋友最近的会话序列为其中任一会话 表征方法和目标用户ui的会话表征方法一致，且共享同样的参数；

根据用户当前会话序列，构建用户兴趣模型；采用目标用户ui当前会话表征来表示用户的兴趣,令：其中， 为用户当前会话 的向量表征；

根据社交网络G，获得用户的朋友表征f(i,A)；通过输入用户和朋友(ui,u(i,A))信息，ui是目标用户，u(i,A)是目标用户的第l个朋友，来计算朋友的向量表征f(i,l)，f(i,l)代表了用户ui和朋友u(i,l)之间的联系，也是朋友u(i,l)相对于用户ui的向量表征，令：其中，函数g代表一个非线性转化，为用户当前会话， 为目标用户的第l个朋友最近的会话序列 函数g使用注意力机制来实现，具体为：其中，pi为目标用户ui的兴趣表征， 为目标用户的第l个朋友的第j个会话 表征，参数 和参数 控制每个会话向量的权重，d代表会话向量的维度；

根据社交网络G，计算朋友对目标用户的社交影响；将目标用户ui的朋友N(i)的兴趣传递给目标用户ui，令：其中，k代表社交网络G的搜索深度，是N(i)是目标用户ui的朋友集合， 代表节点ui在k层的向量表征， 为向量pi， 为向量f(i,l)，非线性函数g实现节点的信息传递；

结合用户自身兴趣和社交影响，获得用户最终向量表征，令：其中，W3是线性转化矩阵，pi为用户ui行为表现出的兴趣，hi是用户ui的社交影响， 为向量拼接操作；根据用户最终向量表征和物品向量表征，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所述的一种基于上下文邻居关系建模的会话社交推荐方法，其中，所述实现节点的信息传递的非线性函数g为：其中，Wk是图参数，σ为sigmoid函数。

3.根据权利要求2所述的一种基于上下文邻居关系建模的会话社交推荐方法，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，可以有效捕捉邻居的各个维度属性。