1.一种基于超图的协同会话推荐方法，其特征在于：用所有会话和会话中的物品集合，构建超图；给定一个会话s＝{v1,v2,…,vj,…,v|s|}，任一物品vj为超图T的节点，该会话s为超图T的超边es，超边es连接会话s内的所有物品{v1,v2,…,vj,…,v|s|}；

聚合超边内的节点，得到超边的局部向量表征；超边es的局部向量表征公式为：其中，vj∈B(es)表示vj是超边es内的节点集合B(es)中的节点，emb(vj)是节点vj的向量表征，需要模型训练并更新； 函数是将超边es内的所有节点B(es)聚集成超边es局部向量表征 的聚合函数； 函数具体为：Wl是转移矩阵，b是向量，σ为sigmoid函数，max代表元素级别的max操作；

根据超边的相似度计算策略召回超边的相似节点集合，并聚合超边的相似节点集合得到超边的全局向量表征；超边es的邻边集合为E(es)，但是并不是邻边集合E(es)内的所有超边都是超边es的相似超边，计算超边之间的相似公式为 其中， 是超边es的邻边集合E(es)内的任一超边，|·|表示集合内的元素个数，B(es)和 分别表示超边es和超边 内包含的节点集合；把和超边es的相似度小于阈值simthre的邻边过滤掉，即得到超边es的相似超边集合Esim(es)；相似超边集合Esim(es)中的所有超边内包含的节点，且不被超边es包含在内的节点，就是超边es的相似节点集合，即然后，聚合超边的相似节点集合，得到超边的全局向量表征 具体为：其中， 是超边es的局部向量表征， 是超边es的相似节点集合向量表征，表示将向量 和向量 连接，Wg是转移矩阵，relu是relu激活函数；从公式可以看出，超边es的全局向量表征 是将超边es内的节点集合B(es)信息 和超边es的相似节点集合Nsim(es)进行融合；emb(vj)是节点vj的向量表征； 函数是将超边es的相似节点集合Nsim(es)信息融合的函数； 具体步骤为：其中，向量q、c和转移矩阵W1、W2控制Nsim(es)中每个节点vj的权重αj； 函数是一种加法注意力机制，由超边es的局部向量表征 来决定Nsim(es)中每个节点vj的权重αj，注意力机制可以让Nsim(es)中和超边es更相似的节点获得更大的权重；

根据当前会话得到用户兴趣，并给用户推荐物品；当前会话s＝{v1,v2,…,vj,…,v|s|}的向量表征就是用户兴趣pu，而当前会话s的向量表征就是超边es的全局向量表征 所以，将物品vj的向量emb(vj)乘以用户兴趣pn，再应用softmax函数计算出物品vj的分数：

其中，pu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。