1.一种基于多兴趣重复网络的会话推荐方法，其特征在于：根据用户当前交互会话序列，得到用户当前多兴趣表征；用户当前交互的会话表示为ST＝{x1，x2，…，xτ，…，xt}，其中，xτ代表用户交互的第τ个物品，T表示当前会话的时间段下标，且ST的向量表征为{x1，x2，…，xτ，…，xt}，其中 d是物品向量表征的长度；采用基于门机制的多兴趣胶囊网络从物品序列中抽取出用户多兴趣；基于门机制的多兴趣胶囊网络的第一步是从物品向量xi中抽取出不同兴趣空间下的向量表征其中， 为会话中第i个物品向量表征， 是第j个兴趣的表征且qj为所有用户共享；用户兴趣的个数参数为M； 和 是第j个兴趣的训练参数； 为转移矩阵，被所有兴趣共享；⊙是门机制中常用的向量元素级别的乘法；通过兴趣相关的门机制和转移矩阵，从物品向量xi中抽取出不同兴趣空间下的向量表征基于门机制的多兴趣胶囊网络的第二步是迭代r次以下过程，r是动态路由算法的迭代次数，得到用户多兴趣向量表征vj：

cij＝exp(bij)/∑jexp(bij)vj＝squash(sj)

其中， 是第i个物品向量表征xi映射到第j个兴趣空间的向量表征，bij是第i个物品向量表征到第j个兴趣的连接系数，bij初始化为0，cij是系数bij归一化后的连接系数；sj将第j个兴趣空间下的 汇聚，并经过squash向量激活函数得到用户多兴趣向量表征vj；squash是胶囊网络中常用的squash向量激活函数，公式为根据用户历史购买物品序列，得到用户历史购买多兴趣表征；用户历史购买物品序列表示为BT‑1＝{x1，x2，…，xl}，用户历史消费序列BT‑1的向量表征为 其中上标a表示购买行为；本方法在基于门机制的多兴趣胶囊网络算法的基础上，继续改进胶囊网络从用户历史购买物品序列中抽取出用户多兴趣；为了使得在重复模式中增加推荐结果的多样性，本方法提出一种增强推荐多样性的多兴趣胶囊网络算法；该算法根据场景继续改进胶囊网络连接系数bij的归一化方式；

根据用户当前多兴趣表征和用户历史购买多兴趣表征，得到重复推荐模式，即推荐用户历史购买物品的概率；基于用户的当前会话ST和用户历史购买物品序列BT‑1，推荐下一个交互物品xt+1的概率P(xt+1|ST，BT‑1)进一步分解为：P(xt+1|ST，BT‑1)＝P(r|ST，BT‑1)·P(xt+1| r，ST，BT‑1)+(1‑P(r | ST，BT‑1))·P(xt+1|e，ST)其中，r和e分别代表重复模式和探索模式，重复模式指在用户历史购买物品集中推荐，探索模式指在用户历史购买物品集以外的候选物品集中推荐；P(r|ST，BT‑1)代表基于当前交互会话序列ST和用户历史购买物品序列BT‑1，重复模式的概率；P(xt+1|r，ST，BT‑1)和P(xt+1|e，ST)分别代表在重复模式和探索模式下，推荐物品xt+1的概率；重复模式的概率P(r| ST，BT‑1)主要由当前会话中抽取的多兴趣vj决定，且多兴趣vj的权重由历史购买兴趣 和当前兴趣vj的相似度 决定，这里采用余弦相似度来计算向量相似度；参数 是转化向量，σ是sigmoid函数；

在重复模式下，根据用户的当前多兴趣表征和历史购买多兴趣表征，在用户历史购买的物品序列中进行推荐；推荐物品xi∈BT‑1的概率为P(xi|r，ST，BT‑1)：其中， 是向量之间的相似度函数； 表示物品xi是购买兴趣 的概率；V代表物品集合；

在探索模式下，根据用户的当前多兴趣表征，对不在用户历史购买物品序列中的物品进行推荐；

其中， 和 是模型需要训练的参数；xτ为物品集合V‑BT‑1中的物品xτ的向量表征；vj是从用户当前交互会话中抽取出的多兴趣；对于xτ∈BT‑1的物品， 也就是推荐概率P(xτ| e，ST)＝0；

构建损失函数，训练模型参数；采用对数似然损失函数：其中， 是训练集中所有的会话序列；P(xτ| ST，BT‑1)表示基于用户的当前会话ST和用户历史购买物品序列BT‑1，预测用户下一个交互物品xτ的概率，xτ是会话序列中真实交互的物品；我们采用Adam优化器更新模型参数。

2.根据权利要求1所述的一种基于多兴趣重复网络的会话推荐方法，其中，所述一种增强推荐多样性的多兴趣胶囊网络算法的第一步是得到第i个购买物品向量表征 映射到第j个购买兴趣空间的向量表征

其中， 为用户历史购买序列中第i个物品向量表征；

以及 和从用户当前交互会话序列中抽取多兴趣的胶囊网络共享；一种增强推a

荐多样性的多兴趣胶囊网络算法的第二步是迭代r次以下过程，最终得到用户历史购买多兴趣向量表征

其中， 是第i个购买物品向量表征 映射到第j个购买兴趣空间的向量表征； 是第i个购买物品向量表征到第j个购买兴趣的连接系数， 初始化为0， 是系数 归一化后+

的连接参数； 表示在购买兴趣胶囊内对参数 进行归一化，τ是温度系数；当τ→0 ，购买兴趣胶囊趋向于只关注一个物品胶囊；而当τ→∞，物品胶囊对于情感胶囊的作用趋于一+

致；所以温度系数τ的作用是控制推荐的多样性；当τ→0 ，推荐结果更能够体现用户兴趣的多样性；而当τ→∞，推荐结果偏向于从主要兴趣中挑选相关物品； 是在购买兴趣胶囊间对参数 进行归一化，用于对物品胶囊进行兴趣分类，即判断物品体现用户哪种购买兴趣；

将第j个兴趣空间下的 汇聚，并经过squash向量激活函数得到用户历史购买多兴趣向量表征 具体公式为 输出的购买兴趣向量 的长度 且向量长度 代表购买兴趣 的概率，向量 的方向代表购买兴趣 的属性。