1.一种聚合知识图神经网络和自适应注意力的推荐方法，其特征在于，包括以下步骤：S1，将用户，关系，实体的知识图三元组作为输入，并为其分配初始嵌入表示即用户嵌入表示、关系嵌入表示、实体嵌入表示；

S2，利用用户嵌入表示和关系嵌入表示的内积表示该种关系对用户的重要程度；将异构知识图谱转换为一个带权图，然后为目标节点挑选邻居目标节点并训练其领域嵌入表示；同时，将初始的实体嵌入表示喂进图神经网络训练并产生新的实体嵌入表示；随后聚合邻域嵌入表示和新的实体嵌入表示得到最终物品嵌入表示；

所述带权图包括：关系感知注意力和感受野；

所述关系感知注意力包括：

引入一个面向用户的关系注意力得分函数 以提供用户u对关系r的重视程度，如式(2)所示：T

其中u和r分别表示用户u和关系r的嵌入特征向量，·表示转置；

所述感受野包括：

目标节点v的邻域嵌入表示定义如下：

其中 为目标节点v的邻域嵌入，e表示实体e，N(v)表示被挑选的邻居集合， 表示用户关系得分正则化，如式(4)所示：其中 表示以自然底数为底 为指数的函数， 表示用户u对该种关系r的重视程度，e表示实体e，N(v)表示被挑选的邻居集合；

S3，将用户嵌入表示和最终物品嵌入表示的内积作为最终预测评分，并将最高得分所对应的物品推荐给用户。

2.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法，其特征在于，所述图神经网络训练包括：前馈传播：

其中H0表示第0层中实体矩阵，H1表示第1层中实体矩阵，H2表示第2层中实体矩阵，H3表示第3层中实体矩阵，Hl‑1表示第l‑1层中实体矩阵，Hl表示第l层中实体矩阵；σ(·)表示非线性激活函数，Du表示Au的对角矩阵，Au表示带权图，l表示层数，W0表示第0层的权重参数，W1表示第1层的权重参数，W2表示第2层的权重参数，Wl‑1表示第l‑1层的权重参数。

3.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法，其特征在于，所述聚合包括：三种类型的聚合器：GCN聚合器，GraphSage聚合器，Bi交互聚合器；

所述GCN聚合器包括：将目标实体表示与其邻域表示求和并经过非线性转换，如式(6)所示：其中LeakyRelu(·)表示激活函数，Q和b分别表示权重矩阵和偏置，Hl表示第l层中实体矩阵，ev表示物品的最终嵌入特征向量， 表示目标节点v的邻域嵌入特征向量；

所述GraphSage聚合器包括：

将目标实体表示和其领域表示串联起来，然后再经过一层非线性变换，如式(7)所示：其中LeakyRelu(·)表示激活函数，Q和b分别表示权重矩阵和偏置，Hl表示第l层中实体矩阵，||表示串联，ev表示物品的最终嵌入特征向量， 表示目标节点v的邻域嵌入特征向量；

所述Bi交互聚合器包括：

考虑了目标实体表示和其领域表示的两种特征交互，如式(8)所示：其中LeakyRelu(·)表示激活函数，Hl表示第l层中实体矩阵，⊙表示点积，b1、b2的分别表示第一偏置、第二偏置；Q1、Q2分别表示第一权重矩阵、第二权重矩阵；ev表示物品的最终嵌入特征向量， 表示目标节点v的邻域嵌入特征向量。

4.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法，其特征在于，所述最终预测评分是用户表示和物品的最终表示作内积得到的，如式(9)所示：T

其中u表示用户u的嵌入特征向量，·表示转置， 表示推荐生成的排名得分即预测函数，ev表示物品的最终嵌入特征向量。

5.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法，其特征在于，包括：损失函数定义如式(10)所示：

其中O为训练集，i表示与用户产生交互的物品，j表示未与用户产生交互的物品，u表示用户，σ(·)表示非线性激活函数，λ表示L2正则化参数，θ表示参数集， 表示范数的平方， 分别表示与用户产生交互的物品的概率，未与用户产生交互的物品的概率。

6.根据权利要求1～5的任一项所述的一种聚合知识图神经网络和自适应注意力的推荐方法，其特征在于，包括：令U＝{u1,u2,u3...}和V＝{v1,v2,v3...}分别表示用户集和物品集，u1表示用户1，u2表示用户2，u3表示用户3，v1表示物品1，v2表示物品2，v3表示物品3；用户物品交互矩阵Y＝{yuv|u∈U,v∈V}根据用户的隐式反馈定义，用户物品交互矩阵定义如下：其中yuv表示标记用户u与物品v是否产生交互，产生交互记为1，未产生记为0。