1.一种基于时空注意力和异构图卷积网络的信息扩散预测系统，其特征在于，包括数据表示融合模块、嵌入预测模块、预测扩散模块和数据优化模块；

数据表示融合模块的数据输出端与嵌入预测模块的数据输入端相连，嵌入预测模块的数据输出端与预测扩散模块的数据输入端相连，预测扩散模块的数据输出端与数据优化模块的数据输入端相连；

数据表示融合模块用于利用多层图卷积网络学习行为图和影响力图结构的最终用户表示，并将学习到的用户表示融合起来；

嵌入预测模块用于进行实时预测信息，将时间序列嵌入到异构图；

预测扩散模块利用多头注意力网络机制进行信息扩散预测。

2.根据权利要求1所述的一种基于时空注意力和异构图卷积网络的信息扩散预测系统，其特征在于，在数据表示融合模块中的学习的机制包括：其中， 是第n+1层用户关注关系的用户表示；

σ(·)为激活函数；

FA表示影响力图中的关注关系的邻接矩阵；

(n)

X 表示第n层的用户表示；

是第n层用户关注关系的可学习参数；

是第n+1层用户转发关系的用户表示；

表示ti时刻的转发关系的邻接矩阵；

ti是用户异构网络的时间间隔；

是第n层用户转发关系的可学习参数。

3.根据权利要求1所述的一种基于时空注意力和异构图卷积网络的信息扩散预测系统，其特征在于，在数据表示融合模块中的用户表示融合包括：S‑A，计算节点vi影响力中的关注关系和行为图中的转发关系之间的权重大小；

S‑B，采用注意力网络进行节点的特征学习，将得到的权重矩阵和用户关系表示进行哈达玛积得到最后的用户表示。

4.根据权利要求1所述的一种基于时空注意力和异构图卷积网络的信息扩散预测系统，其特征在于，在嵌入预测模块中的时间序列嵌入的方法包括：近似策略或注意力机制策略；

所述注意力机制策略包括：

t'＝mixTogether(ti)                    (6)其中，t'为将时间间隔转化为时间嵌入后的结果表示；

mixTogether(·)为将时间间隔嵌入的函数；

αi为权重系数；

softmax(·)为归一化函数；

vti表示ti时刻的用户表示；

ki是一个掩码矩阵；

v'为最终的用户表示；

T表示一共有T个时刻。

5.根据权利要求1所述的一种基于时空注意力和异构图卷积网络的信息扩散预测系统，其特征在于，在预测扩散模块中的信息扩散预测的公式为：其中，softmax(·)为归一化函数；

V'表示扩散序列；

T

·表示矩阵的转置；

dr＝d/G，d是用户嵌入表示的维度，G是多头注意力的头数；

Cij是一个掩码矩阵；

M表示最终预测的用户表示；

表示对bh进行拼接，bh表示第h头注意力，bh∈[b1,b2,...,bG]；

Q K V

Wi ,Wi ,Wi , 是可学习参数， 表示d×dr维的实数；

得到预测到的M之后，使用两层全连接神经网络计算信息扩散的概率为：T

p＝W'σ(W”M+λ1)+λ2                (11)其中，p表示信息扩散的概率；

W'、W”是可学习参数， 表示|V|×d维的实数； 表示d×d维的实数；

d是用户嵌入表示的维度；

|V|表示用户的个数；

λ1是第一可学习参数，λ2是第二可学习参数，λ1、λ2均为常数；

T

·表示矩阵转置。