1.一种考虑用户多兴趣以及社交影响的会话推荐方法，其特征在于：根据目标用户当前会话中的物品序列，得到用户当前多兴趣表征；用户当前交互的会话ST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；采用胶囊网络从物品序列中抽取出用户多兴趣，第一步是从会话ST中的物品向量xi中抽取出不同兴趣空间下的向量表征 这里， 是第j个兴趣的映射矩阵，用户兴趣的个数参数为M；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；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，表示第i个物品是第j个兴趣的可能性，且对于一个物品xi，不同兴趣的可能性和为1，也就是∑jcij＝

1；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，公式为根据社交网络，得到目标用户朋友的主要兴趣表征；目标用户第k个朋友的上一个会话表示为 同样， 表示为 向量表征为{x1,x2,…,xτ,…,xl}，即会话 中的物品个数；本方法采用注意力机制抽取出朋友的主要兴趣表征，公式如下：

ατ＝Wασ(Wggfk+Wxxτ)其中，xτ是会话 中物品xτ的向量表征， 表示会话 中物品序列的长度， 通过对会话 中物品向量求平均，得到用户的兴趣表征； 和 是模型训练参数，σ是sigmoid函数；ατ代表物品xτ的重要程度，最后得到的 即是朋友fk的主要兴趣； 相对于 进一步地给更重要的物品赋予更大的权重，从而得到朋友的主要兴趣；

计算朋友对目标用户的社交影响；目标用户u的朋友集合为N(u)，在计算朋友对目标用户的社交影响时，既要考虑不同朋友的重要度，又要考虑不同朋友对目标用户的不同兴趣的影响；朋友集合N(u)对目标用户的兴趣vj的影响fj通过以下方法计算得到：votekj＝maxj(akj)·attnkj其中， 是目标用户的第k个朋友fk的主要兴趣表征，vj是目标用户的第j个兴趣；akj表示第k个朋友fk的主要兴趣和目标用户的第j个兴趣的相似度； 是朋友的主要的单一兴趣，对目标用户的不同兴趣的社交影响应该差异化，因此用softmax函数对目标用户不同兴趣之间的相似度进行归一化，得到朋友fk对目标用户第j个兴趣的影响attnkj；此时，∑jattnkj＝1，朋友fk对目标用户不同兴趣的影响之间具有竞争关系；并且进一步通过温度系+

数τ进行调节，当τ→0 ，朋友fk只对目标用户的一个兴趣产生影响；而当τ→∞，朋友fk只对目标用户的不同兴趣的作用趋于一致；attnkj没有考虑朋友的重要性，导致目标用户的所有朋友都对目标用户起很大作用，和事实不符；因此，用max(akj)来体现朋友fk对于目标用户的重要程度，朋友fk重要程度取决于朋友fk主要兴趣和目标用户中最匹配的兴趣之间的相似度；最终，朋友fk对目标用户的不同兴趣的影响为votekj＝max(akj)·attnkj，且所有朋友对目标用户的不同兴趣的社交影响即为fj；

结合朋友对目标用户的社交影响和用户的多兴趣表征，预测用户对目标物品的点击率其中，vj为目标用户当前会话中抽取出的第j个兴趣表征，fj为朋友对目标用户第j个兴趣的社交影响， 为向量连接操作，将vj和fj进行向量连接，得到融合了社交影响的用户多兴趣表征pj；其中， 和 是模型需要训练的参数，而σ是sigmoid函数；xnew是目标物品的向量表征；Attention(pj,xnew)表示目标物品和用户不同兴趣的相关系数，将用户不同兴趣表征和相关系数相乘，得到用户相对于目标物品的向量表征vu；

构建损失函数，训练模型参数；通过用户对目标物品的点击率预测值 计算预测值 和真实值y之间的误差，进而使用误差来更新模型参数；我们采用交叉熵损失函数来指导模型参数的更新过程：

其中，y∈{0,1}是真实值，代表用户是否点击了目标物品；σ是sigmoid函数；我们采用Adam优化器更新模型参数。