1.一种基于用户长期兴趣和短期兴趣建模的会话推荐方法，其特征在于：根据用户当前会话中的物品序列，采用门控制循环神经网络获得用户短期兴趣；本方法采用门控循环单元网络(GRU)对用户当前会话中的物品序列进行建模，当前会话中的物品序列对应的向量表征为 门控循环单元网络short

输出为用户短期兴趣表征p ；

根据用户短期兴趣和用户历史偏好序列，采用时间注意力机制得到用户时间相关的长期兴趣；原始的注意力机制是不考虑时间因素的，本方法采用时间注意力机制，将原始注意history

力机制计算得到的注意力值和时间权重结合；使得最终用户历史偏好序列s 中每个物品的权重同时取决于两个因素：物品和用户短期兴趣的相关性以及该物品交互时间和当前time‑relevent

会话交互时间之间的时间间隔；具体和时间相关的长期兴趣p 计算公式如下：current

δj＝σ(wtlog[t(s )‑t(vj)]+bt)αj＝softmaxj(ej·δj)history

其中，xj是历史偏好序列中物品vj的向量表征，且vj∈s ；We和qe分别是转换矩阵和转换向量，σ是sigmoid函数；ej是用户短期兴趣和历史偏好序列中物品vj的注意力值，代表了物品vj的重要程度和短期兴趣的相关度；系数ej是只考虑到物品vj和用户短期兴趣的语义相关性，而时间注意力值αj是综合了语义相关性系数ej和时间相关性系数δj，且经过了softmax归一化处理；这里，时间相关性系数δj是关于当前会话时间和物品vj交互时间间隔current

的函数，参数为标量wt和标量bt；注意，这里的时间函数t(s )表示当前会话发生在当年time‑relevent

的第几天；最后用户时间相关的长期兴趣p 为历史偏好序列中所有物品的向量表征乘以对应时间注意力值αj的和；

根据用户短期兴趣和和用户历史偏好序列，采用原始注意力机制得到用户时间无关的长期兴趣；本方法采用注意力机制从用户历史偏好序列中抽取出和用户当前的短期兴趣相time‑irrelevent关的用户长期兴趣p ；注意力机制会给用户历史偏好序列中的每个物品分配一个权重，表示该物品和用户短期兴趣的相关性，具体公式为：αj＝softmaxj(ej)history

其中，xj是历史偏好序列中物品vj的向量表征，且vj∈s ；W1和q1分别是转换矩阵和转换向量；ej是用户短期兴趣和历史偏好序列中物品vj的注意力值，代表了物品vj的重要程度；得到历史偏好序列中所有物品的注意力值之后，对其进行softmax归一化，将注意力值归一化到[0，1]范围内，得到αj；最后历史偏好序列中所有物品的向量表征乘以对应的归一time‑irrelevent化后的注意力值的和，就是用户时间无关的长期兴趣p ；

long

融合用户的两种长期兴趣，获得用户长期兴趣表征；用户的长期兴趣表征p 融合了用time‑irrelevent time‑relevent户时间无关的长期兴趣p 以及时间相关的长期兴趣p ；而时间无关的time‑irrelevent time‑relevent长期兴趣p 以及时间相关的长期兴趣p 两者的重要性或者系数取决于time‑irrelevent time‑relevent short long三个变量，分别为：p 、p 和p ；用户长期兴趣p 具体计算公式如下：

long time‑relevent time‑irreleventp ＝βp +(1‑β)p

其中， 和 是转换矩阵，qp是转换向量，tanh是tanh激活函数，σ是sigmoid激活time‑relevent

函数；系数β表示用户时间相关的长期兴趣p 的重要程度，系数1‑β表示用户时间time‑irrelevent无关的长期兴趣p 的重要程度；

根据用户短期兴趣和用户长期兴趣表征，获得用户最终兴趣表征；用户最终兴趣表征p公式如下：

short long

其中，p 和p 分别为用户的短期和长期兴趣，为向量拼接操作，W是线性转化矩阵；

根据用户最终兴趣表征，推荐物品；将物品vj的向量xj乘以用户兴趣向量p，再应用softmax函数计算出物品vj的分数：其中，p代表用户的兴趣向量，代表物品vj成为下一个交互物品的可能性；同时根据的对数似然函数值，计算损失函数：其中，yj代表vj的one‑hot编码， 函数用梯度下降法来最优化。

2.根据权利要求1所述的一种基于用户长期兴趣和短期兴趣建模的会话推荐方法，其特征在于：所述门控制循环神经网络(GRU)为：zτ＝σ(Wxz·xτ+Whz·hτ‑1)rτ＝σ(Wxr·xτ+Whr·hτ‑1)其中，rτ是重置门(resetgate)，zτ为更新门(update gate)，这两个门控向量决定了哪些信息能作为门控循环单元的输出； 是当前记忆内容；xτ是当前层的节点输入；

和 分别是控制更新门zτ和重置门rτ的参数；

和 是控制当前记忆内容 的参数；⊙是元素级别的矩阵相乘，σ是sigmoid函数，tanh是tanh激活函数；门控循环单元网络GRU的输入序列为门控循环单元网络输出为 也就是用户短期兴趣(short‑term interest)表征为