1.一种考虑物品和物品属性特征级别重要性的会话推荐方法，其特征在于：用物品级别的注意力机制得到会话中所有物品的重要性；当前会话{v1，v2，…，v|s|}对应向量表征为{x1，x2，…，x|s|}，采用物品级别的注意力机制得到会话中任一物品vj的注意力值e(vj)，然后采用softmax函数对每个物品的注意力值进行归一化，得到任一物品vj最终权重αj，具体计算过程如下：

其中，We1和we2分别是转换矩阵和转换向量，xj是物品vj的向量表征，RELU是RELU激活函数，exp(·)是指数函数；

用物品属性特征级别的注意力机制得到会话中物品不同特征的重要性；用户对同一物品的不同属性特征的偏好是不同的，用户对不同物品的相同属性特征的偏好也是不同的；

用户对物品vj的第i个属性特征的看重程度bi，j由乘法注意力机制计算得到，且再用softmax对bi，j进行归一化，得到参数ci，j，参数ci，j代表最终的用户对物品vj的第i个属性特征的看重程度；具体计算公式如下：

其中，Wi是将物品转换到属性空间的转换矩阵，xj是物品vj的向量表征，qi是第i个属性特征，属性特征的个数为M个；

结合会话中物品的重要性和物品属性特征的重要性，从会话中抽取多个用户兴趣向量表征，具体公式如下：

其中，ai，j是结合了物品重要程度αj和物品属性特征重要程度ci，j的参数；Wi是上步骤提到的将物品转换到属性空间的转换矩阵，Wi·xj可以将物品vj映射到第i个属性特征空间下，然后和参数ai，j相乘求和，得到用户的多兴趣向量表征mi；

根据用户兴趣向量表征，预测用户对目标物品的点击率；对于不同的目标物品，用户对其不同的属性特征有不同的关注度；因此，本方法首先将目标物品和用户多兴趣进行匹配，给用户不同兴趣分配不同权重，并得到用户和该目标物品相关的最终兴趣向量表征O；再用用户最终兴趣向量表征和目标物品的向量表征xnew计算相似度，得到推荐概率 为：其中，mi为用户的第i个兴趣向量表征，xnew为目标物品vnew的向量表征；参数q和参数W1，W2控制每个兴趣向量表征的权重，σ是sigmoid激活函数；

根据模型特性，设计损失函数；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；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；采用Adam优化器更新模型参数。