1.一种基于属性异质信息网络嵌入的电影推荐方法，其特征在于，包括以下步骤：S1、获取电影网络数据，根据评分数据的时效性对贡献度更低的评分数据进行转换，具体操作包括：若评分时间与当前时间的间隔大于设定时间阈值，则将评分数据按照评分转换公式进行转换；若评分时间与当前时间的间隔不大于设定时间阈值，则保持原有评分数据，最终得到新的电影时间数据，使得评分数据的贡献度和准确性更高；

S2、基于步骤S1中得到的新的电影时间数据，利用用户对电影的评分数据、用户之间的相似度及电影之间相似度构建属性异质信息网络，并且在属性异质信息网络中加入各个节点的类型信息；

S3、根据属性异质信息网络，通过用户与不同类型对象之间边的权重自动选择合适的元路径，用于指导后续步骤在属性异质信息网络学习嵌入表示；

S4、在构建的属性异质信息网络中采用基于带权元路径的随机游走方式获得各个节点的随机游走序列；

S5、将各个节点的随机游走序列通过skip‑gram模型学习获取属性异质信息网络中所有节点的网络嵌入表示，其中包括用户和电影的网络嵌入表示；

S6、通过注意力机制计算不同元路径的权重值，权重值用于表示不同元路径的重要程度；

S7、将用户的嵌入和电影的嵌入融入到矩阵分解算法中进行评分预测，计算用户对可能感兴趣电影的评分，将评分高的且用户并未观看过的电影推荐给用户。

2.根据权利要求1所述的一种基于属性异质信息网络嵌入的电影推荐方法，其特征在于，步骤S1中，所述评分转换公式包括：其中，tnow‑tu,i表示间隔大小，tnow表示当前的时间，tu,i表示用户u对项目i的评分时间，λ表示表示用户兴趣取向变化趋势的快慢，越高表示时间越早的评分数据对于用户兴趣的影响越小，反之则越大，ru,i表示用户u对项目i的原始评分。

3.根据权利要求1所述的一种基于属性异质信息网络嵌入的电影推荐方法，其特征在于，步骤S2中，构建属性异质信息网络时，用户和电影之间的边通过用户的评分数据构成，而对于其他类型之间的边，通过余弦相似性计算，将用户的属性信息以及电影的属性信息向量化后，通过 其中x和y分别表计算相似度的两个向量，‖x‖表示向量x的模，‖y‖表示向量y的模。

4.根据权利要求1所述的一种基于属性异质信息网络嵌入的电影推荐方法，其特征在于，所述基于带权元路径的随机游走方式包括：在给定元路径p＝(A0,A1,A2,...,Al)下，随机游走的计算公式包括：其中， 表示基于元路径p下每一步被游走到的概率，其中i表示第ii+1

步， 表示在第i步的类型为t的节点，v 表示在第i+1步的类型为t+1的节点，p表示指定的元路径，且p＝(A0,A1,A2,...,Al)，Al表示节点类型，l表示节点个数，|Nt+1(v)|表示节点vi+1

的邻居，而且这些邻居的节点为t+1，r表示边的权重， 表示下一节点v 和当前节点 有边连接。游走会随着元路径一直进行下去，直到达到我们预设的游走长度为止。

5.根据权利要求1所述的一种基于属性异质信息网络嵌入的电影推荐方法，其特征在于，步骤S6中，不同用户对于不同的元路径有着不同的偏好，因此考虑通过注意力机制计算不同元路径的权重值：

(1) (l)

采用两层架构实现注意力机制，其中Xu和Yu分别表示用户和电影的表示，W* 和b 分(2) (2)

别表示第一层的权重矩阵和偏置向量，w 和b 分别表示第二层的权重向量和偏置，f(·)表示ReLU函数；

通过使用softmax函数对计算出来的注意力权重值进行归一化处理，得到最终的注意力权重值：

6.根据权利要求1所述的一种基于属性异质信息网络嵌入的电影推荐方法，其特征在于，步骤S7中，将用户的嵌入和电影的嵌入融入到评分偏好中包括：其中， 表示用户u对电影i的预测评分矩阵，Ui表示用户特征矩阵U第i行的隐特征向量，Vj表示项目特征矩阵V第j行的隐特征向量，Xu和Yi分别表示用户u和电影i基于属性异质(l)

信息网络的特征向量嵌入，M 表示第l条元路径下的变换矩阵， 和 分别表示不同元路径通过注意力机制获得的权重值，α和β都是可调参数，其共同作用是防止该函数过拟合。