1.一种基于全局注意力机制表征学习的社交网络服务平台好友推荐方法，其特征在于：包括如下步骤：

步骤一：应用社交网络数据建立社交网络模型G＝(V,E,T,W)，其中V、E、T和W分别表示网络的节点、连边、用户属性信息矩阵和权重矩阵，一个节点表示一个用户，V是用户集合，用户数量为N，E是用户之间的边，如果两个用户是好友，则二者之间存在一条连边；T表示用户属性信息矩阵，任意节点i的n维属性用一个n维属性向量Si＝(s1,s2,...,sn)表示；W表示节点的边权，wij表示节点i，j之间连边权值；

步骤二:用网络表征学习方法LINE将社交网络G转化为欧式空间中的N个d维结构嵌入向量，每个向量对应一个节点，其中任意节点i的结构嵌入向量用Li表示；

步骤三：任意选取网络中的两个相连节点i和j，计算得到特征矩阵P＝CNN(Si,X)和Q＝CNN(Sj,X)；

其中X为可训练的矩阵，CNN表示卷积神经网络，Si和Sj分别是节点i和j的属性向量；

步骤四:计算节点i和j之间的全局注意力权重步骤五：计算节点i和j的相关性矩阵T

Fij＝aijtanh(PQ)；

步骤六：计算Fij的平均行池化向量FRij＝mean(Fi,1,Fi,2,...,Fi,d)；

步骤七：计算Fij的平均列池化向量FCij＝mean(F1,j,F2,j,...,Fd,j)；

步骤八：使用softmax函数将向量FRij和FCij转换为归一化的权重向量 和 计算节点i的信息嵌入向量

节点j的信息嵌入向量

步骤九：将LINE得到的节点i网络结构嵌入向量Li和信息嵌入向量Ci以比例α,β,γ相加，生成节点i的嵌入向量

Embi＝wij(α·log p(Lj|Ci)+β·log p(Cj|Li)+γ·log p(Lj|Ci))；

其中α,β,γ为可调参数，log为对数函数，p为似然函数；

步骤十：计算目标函数

其中K 是不相连用户数，σ表示softmax函数,步骤十一：重复步骤三到步骤十，当目标函数达到设定值时算法终止，得到所有节点的嵌入向量Emb集合；

步骤十二：遍历网络，针对所有无连边的节点对，计算二者相应的嵌入向量Emb的皮尔逊系数，皮尔逊系数越高，节点对之间越可能存在连边，将网络中所有的未直接相连的节点对之间的皮尔逊系数按照由高到低的顺序排列，取前h个皮尔逊系数对应的节点对为可能的预测连边，相应地推荐前h个皮尔逊系数对应的用户对为可能的好友，h≤H，其中H为网络中没有直接连边的节点对的总数。