1.一种基于正则化框架和注意力机制的推荐方法，其特征在于由下述步骤组成：(1)构建超图网络模型

1)构建超边

从Movielens数据集中选取每个用户评价过的所有项目，用超边相连，超边的数量与用户的数量相同；

2)确定超边的权重

按式(1)确定超边的权重W(ea)：

式中δ(ea)是第a个超边的度，δ(emax)为最大的超边的度，δ(emin)为最小的超边的度；

3)建立项目与标签的关联性

采用二部图建立项目与标签的联系，计算标记次数，当标签对项目的标记次数大于项目被标记总数的2/3时，两者之间有强关联性；

(2)对相似度方式进行改进

按式(2)确定项目的相似度Sim(i,j)：

Sim(i,j)＝wSimcosine(i,j)+(1‑w)[w1Sim1(i,j)+(1‑w1)Sim2(i,j)]           (2)式中Simcosine(i,j)是项目i和项目j的余弦相似度，Simcosine(i,j)的取值范围为[0,1]，Sim1(i,j)是项目i和项目j基于喜欢的属性相似度，Sim2(i,j)是项目i和项目j基于不喜欢的属性相似度，Sim1(i,j)和Sim2(i,j)的取值范围为[0,1]，i和j为有限的正整数，w和w1是2个融合因子，w,w1∈[0,1]，按式(3)确定项目的余弦相似度Simcosine(i,j)：Dij＝{u1,u2,...,up}

式中Rui是用户u对项目i的评分，Ruj是用户u对项目j的评分，p为有限的正整数；

按式(4)确定项目的属性相似度Sim1(i,j)以及属性相似度Sim2(i,j)：式中，LAi,s是项目i对喜欢的属性s的吸引力，LAj,s是项目j对喜欢的属性s的吸引力，是项目i对喜欢属性的平均吸引力， 是项目j对喜欢属性的平均吸引力，DLAi,s是项目i对不喜欢的属性s的吸引力，DLAj,s是项目j对不喜欢的属性s的吸引力， 是项目i对不喜欢属性的平均吸引力， 是项目j对不喜欢属性的平均吸引力，k是属性的数量、为有限的正整数；

(3)确定遗忘函数

按(5)式确定遗忘函数f(tui)：

式中tui表示用户u对项目i的评分时间，tmin表示用户历史访问记录中的最早时间，tmax表示用户历史访问记录中的最晚时间；

(4)构建注意力机制

按(6)式构建注意力机制Att(u,i)：

式中Ni是项目i的最近邻居，Rui是用户u对项目i的原始评分，Ruj是用户u对项目j的原始评分，f(tui)是用户u对项目i的遗忘程度，f(tuj)是用户u对项目j的遗忘程度；

(5)构建并优化正则化框架

按(7)式构建并优化正则化框架Qu(f,g)：

式中α、β、μ、σ是4个参数，α、β、μ、σ的取值范围为(0,1)，并且α+β+μ+σ＝1， w(e)为超边e的权重，h(i,e)为节点和超边的关联矩阵中的元素，若节点i在超边e中则该值为1，否则为

0，h(j,e)为节点和超边的关联矩阵中的元素，若节点j在超边e中则该值为1，否则为0，δ(e)为超边e的度，fi为项目i的分数，fj为项目j的分数，gl为标签l的分数，zii为项目i被标记的次数，zll为标签l标记项目的次数,yi为项目i的初始分数，sl为标签l的初始分数，采用梯度下降法进行优化，得到预测评分和推荐列表。

2.根据权利要求1所述的基于正则化框架和注意力机制的推荐方法，其特征在于：所述的(2)对相似度方式进行改进步骤的式(2)中，w和w1是2个融合因子，w的取值为0.3，w1的取值为0.7。

3.根据权利要求1所述的基于正则化框架和注意力机制的推荐方法，其特征在于：所述的(5)步骤中的α取值为0.2，β取值为0.07，μ取值为0.7，σ取值为0.03。