1.一种基于Mask机制和层次注意力机制的推荐方法，其特征在于，包括以下步骤：步骤S1.将社交网络划分为社交域和项目域，获取社交域中的节点信息作为节点数据集U；获取项目域中的项目信息作为项目数据集I；

步骤S2.构建Context-NE网络，将所述节点数据集U和所述项目数据集I分别输入上下文描述层将信息数据转换为向量并构成序列Su和序列Si，然后经过卷积层和池化层处理得到节点向量 和项目向量步骤S3.将所述节点向量 和所述项目向量 融合后得到第i个节点u在项目数据集I中的嵌入向量 将所有节点的嵌入向量组成嵌入向量集Z；

步骤S4.将所述嵌入向量集合Z输入图卷积网络，计算与第i个节点u关系密切的L阶邻居节点v的k头注意力系数 然后根据邻居节点v的嵌入向量 计算节点u的k头注意力步骤S5.将所述 通过聚合注意力层进行聚合，输出第i个节点u的聚合注意力向量步骤S6.将第i个节点u的嵌入向量 与聚合注意力向量 进行拼接并线性化，得到第i个节点u的推荐向量 将所有节点的推荐向量组合成推荐向量集Z'；

步骤S7.根据所述嵌入向量集Z和/或所述推荐向量集Z'获得目标节点的项目推荐列表。

2.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：在训练所述Context-NE网络和图卷积网络时引入Mask机制，具体包括如下内容：根据社交网络的大小随机mask网络中不同比例的节点和\或项目，对被mask节点和\或项目采取以下三种方式中的一种进行处理：随机采样与被mask节点和\或项目关系密切的邻居节点和\或项目的特征作为被mask节点和\或项目的特征；

随机采样非邻居节点和\或项目的特征表示被mask节点和\或项目的特征；

对被mask节点和\或项目的特征不做处理。

3.如权利要求1或2所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：将新加入网络的节点和/或项目作为被mask节点和/或项目。

4.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：步骤S2所述经过卷积层和池化层处理得到节点向量 和项目向量 的具体步骤如下：步骤S21.将所述序列Su和所述序列Si输入拥有M个卷积核的卷积网络进行局部特征提取，分别得到向量 和向量 其表达式分别为：其中，Km表示第m个卷积核，bm表示偏置参数；

步骤S22.将所述向量 和所述向量 经过池化层处理后，得到节点向量 和项目向量 其中，i表示节点数据集U中第i个节点，ij表示项目数据集I中与第i个节点相关的项目j。

5.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：所述步骤S3.将所述节点向量 和所述项目向量 融合后得到第i个节点在项目数据集I中的嵌入向量 的具体方法为：其中， 表示节点数据集U中第i个节点的节点向量， 表示项目数据集I中与第i个节点相关的项目j的项目向量，Wij为权重参数，bij为偏置参数；

rij表示第i个节点对项目j的偏好程度，其表达式为：

其中，checkj表示第i个节点与项目j的交互次数，checki表示第i个节点与所有项目的总交互次数。

6.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：步骤S4中所述计算与第i个节点u关系密切的L阶邻居节点v的第k头注意力系数 的具体方法为：其中，N(u)表示与第i个节点u关系密切的所有邻居节点的集合； 表示与第i个节点u关系密切的L阶邻居节点v对节点u的影响程度，其表达式为：其中，γ表示输入梯度为0.2的LeakyReLu非线性函数；β是神经网络层的权重参数；bk为k头注意力的偏置参数；Wk为节点u与邻居节点v共有的权重参数。

7.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：步骤S4中所述根据邻居节点v的嵌入向量 计算节点u的k头注意力输出 的具体方法为：其中，W是权重参数。

8.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：步骤S5中所述将所述 通过聚合注意力层进行聚合，输出第i个节点u的聚合注意力向量 的具体方法为：其中，Wh是聚合注意力层的权重参数；

αh表示聚合注意力层的注意力系数，其表达式为：

其中， 表示第i个节点u在进行聚合时第k头注意力输出 对节点u的影响程度，其表达式为：其中，bh为聚合注意力层的偏置参数。

9.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：步骤S6中所述将第i个节点u的嵌入向量 与聚合注意力向量 进行拼接并线性化，得到第i个节点u的推荐向量 的具体方法为：其中，W是权重参数，b为偏置参数。

10.如权利要求1或6或7所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：当与第i个节点u关系密切的邻居节点数量过多时，采用以下方式处理邻居节点集合N(u)：若邻居节点的总数大于预设值T，则计算第i个节点u与所有邻居节点的相似性，根据所述相似性对所有邻居节点进行排序，选择相似度排序前T的邻居节点组成节点u的邻居节点集合N(u)；否则将所有邻居节点组成集合N(u)。