1.一种基于重构社交网络的会话社交推荐方法，其特征在于：基于当前用户，从社交网络中找到当前用户的真实朋友；根据平台中实际好友关系的数据记录，建立社交网络G，社交网络G是无向图；从社交网络G中找到当前用户的邻居节点，就是当前用户的的真实朋友集合N(u)；

基于当前用户的当前会话和存储的会话集合，找到当前用户的潜在朋友；采用记忆矩阵M存储最近发生的会话；基于当前用户的当前会话s＝{v1，v2，…，v|s|}，通过计算当前会话和记忆矩阵M中的候选会话之间的cosine相似度，从记忆矩阵M中找出最相似的k个会话，且保证相似度大于阈值simthre，再从筛选出的k个会话中随机抽取ε个会话；最后确定这ε个会话的用户为当前用户的潜在朋友集合B(u)，且抽取出的会话代表了潜在朋友的兴趣；

得到当前用户、真实朋友和潜在朋友的兴趣表征；从当前用户的当前会话、真实朋友的最近会话以及筛选出的潜在朋友的会话中抽取出对应用户的兴趣，采用门控制循环神经网络(GRU)分别对会话进行表征，得到兴趣表征；也就是将当前用户的当前会话、真实朋友的最近会话以及筛选出的潜在朋友的会话分别作为门控制循环神经网络(GRU)的输入，分别得到门控制循环神经网络(GRU)的输出作为当前用户的兴趣、真实朋友的兴趣以及潜在朋友的兴趣；最后，得到当前用户、任一真实朋友ui和任一潜在朋友uj的兴趣表征分别为hu、hi和hj；

结合当前用户的真实朋友和潜在朋友，得到朋友对用户的社交影响；将真实朋友和潜在朋友分开计算，且真实朋友和潜在朋友对当前用户的作用由注意力机制计算得到，每个朋友对当前用户的作用不同；而真实朋友和潜在朋友的重要度由先验参数λ控制，需要由实验者设置；最终社交影响pf具体的计算方式如下：其中，αui表示真实朋友ui对当前用户的作用，αuj表示潜在朋友uj对当前用户的作用，是聚集了真实朋友和潜在朋友对当前用户的影响，pf是对 加一层非线性的感知器层，也是最终社交影响；hu、hi和hj分别是当前用户、真实朋友ui和潜在朋友uj的向量表征，注意力值αui和αuj采用乘法注意力机制计算得到，并使用softmax函数进行了归一化；先验参数λ∈[0，1]控制真实朋友作用和潜在朋友作用的权重；Wg是转换矩阵参数，ReLU是ReLU激活函数；

结合用户自身兴趣和社交影响，获得用户最终向量表征；用户的兴趣由他当前会话行为和社交影响共同决定，用户的用户最终向量表征gu就由全连接层合并两者得到，令：其中，Wph是转换矩阵，pf是社交影响，hu为当前用户的当前兴趣，为向量拼接操作；

根据用户最终向量表征和物品向量表征，推荐物品；将物品vj的向量xj乘以用户最终向量表征，再应用softmax函数计算出物品vj的分数：其中，gu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所述的一种基于重构社交网络的会话社交推荐方法，其特征在于：所述会话之间的cosine相似度计算公式如下：其中，sj是记忆矩阵M中存储的任一会话； 是会话s的二进制向量表示，如果一个物品出现在

会话中，那么s中对应位置为1，否则为0；同理， 是会话sj的二进制向量表示；l(s)和l(sj)分别代表了会话s和sj的长度；对于记忆矩阵M中存储的所有会话，用公式sim(s，sj)计算出和当前会话s的cosine相似度，把相似度低于阈值simthre的会话过滤掉，再按照cosine相似度由高到低排序，找出前k个会话，并从中随机抽取出ε个会话。

3.根据权利要求1所述的一种基于重构社交网络的会话社交推荐方法，其特征在于：所述门控制循环神经网络(GRU)为：

zi＝σ(Wxz·xi+Whz·hi‑1)ri＝σ(Wxr·xi+Whr·hi‑1)其中，ri是重置门(resetgate)，zi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；xi是当前层的节点输入，也就是物品vi的向量表征；Wxz、Whz、Wxr和Whr分别是控制更新门zi和重置门ri的参数；Wxh和Whh是控制前记忆内容 的参数；⊙是元素级别的矩阵相乘，σ是sigmoid函数；门控制循环神经网络(GRU)的最后一个隐藏层的输出就是会话表征。