1.一种基于时间增强的图神经网络会话推荐方法，其特征在于：将目标会话输入经过训练的时间增强图神经网络模型中；所述时间增强图神经网络模型通过会话项目转换发生的时间间隔生成用户兴趣漂移程度，并构造能够根据用户兴趣漂移程度对应处理会话项目间转换关系的时间增强会话图，然后基于时间增强会话图学习项目嵌入并生成新会话表示，最后基于新会话表示计算候选项目的概率分布，以完成会话推荐；

时间增强图神经网络模型通过如下步骤完成会话推荐：S1：将目标会话S＝(v1,v2,…,vn)映射到会话嵌入序列H＝(h1,h2,…,hn)；

S2：基于目标会话的会话图，将用户兴趣漂移的程度映射到会话图的边的权重以生成对应的时间增强会话图；

S3：通过多层时间图卷积网络基于时间增强会话图和会话嵌入序，学习时间增强会话图的项目表示并聚合项目的高阶相邻信息，以生成对应的会话项目表示；

S4：通过时间兴趣注意力网络为目标会话中的各个会话项目分配用户兴趣箱，并生成用户兴趣箱序列表示；然后将用户兴趣箱序列表示与会话项目表示聚合生成新会话表示；

S5：基于新会话表示计算长期兴趣表示和短期兴趣表示，并融合得到会话最终表示；然后基于会话最终表示选取候选项目，并计算候选项目的概率分布，以完成会话推荐；

步骤S2中，时间增强会话图的定义为：对于目标会话S＝(v1,v2,…,vn)，其时间增强会话图为gs＝(Vs,εs,Ws)，其中，εS代表边的集合，WS表示边的权重矩阵；

每个节点vi∈VS和边(vi‑1,vi)∈εs表示两个连续的项目vi‑1和vi邻接关系，其矩阵表达I O形式为入边矩阵A 和出边矩阵A ；每条边(vi‑1,vi)都对应着一个权重Wi‑1,i∈WS；每个节点viS∈VS添加了自连边，其矩阵表示为自连接矩阵A；

步骤S3中，通过如下步骤生成会话项目表示：

l

S301：通过多层时间图卷积网络的第l层输出嵌入表示hi；

L

S302：将多层时间图卷积网络输出的嵌入表示hi作为会话项目vi∈S的嵌入表示；

S303：通过高速公路网络将多层时间图卷积网络输出的嵌入表示 与其初始嵌入 的表示进行合并得到会话项目vi∈S的项目表示 并生成会话项目表示步骤S4中，通过如下步骤生成新会话表示：

S401：基于目标会话S中每个会话项目的点击时间戳T＝(t1,t2,…,tn)计算每个项目距离最后一个项目的时间间隔序列Q＝(q1,q2,…,qn)；

S402：将时间间隔序列Q映射为兴趣敏感序列Γ＝(γ1,γ2,…,γn)，并计算自适应时间跨度μ；

S403：通过时间兴趣注意力网络基于自适应时间跨度μ为目标会话S中的各个会话项目分配用户兴趣箱bini，并生成用户兴趣箱序列B＝(bin1,bin2,…,binn)；

S404：将用户兴趣箱序列B＝(bin1,bin2,…,binn)中的各个用户兴趣箱bini映射到低维稠密向量ei，并生成对应的用户兴趣箱表示E…(e1,e2,…,en)；

S405：通过非对称门控循环神经网络对用户兴趣箱表示的前向上下文信息和后向上下文信息进行不对称处理，生成对应的用户兴趣箱序列增强表示S406：通过注意力机制聚合用户兴趣箱序列增强表示 和会话项目表示生成捕获了项目顺序结构信息和用户时间兴趣特征的新会话表示C＝(c1,c2,…,cn)。

2.如权利要求1所述的基于时间增强的图神经网络会话推荐方法，其特征在于，通过公式 计算嵌入表示通过公式 计算项目表示

其中，

I O

上述式中： 和 分别表示时间增强会话图入边矩阵A、出边矩阵A 和自连接矩S阵A的第i行；l、L均表示多层时间图卷积网络的层数； 表示可训练参数；σ表示函数Sigmoid。

3.如权利要求1所述的基于时间增强的图神经网络会话推荐方法，其特征在于，通过公式 计算兴趣敏感序列Γ＝(γ1,γ2,…,γn)；

其中，

通过公式 计算自适应时间跨度μ；

通过公式bini＝k,whereγi∈(μ×(k‑1),μ×k]计算用户兴趣箱bini；

非对称门控循环神经网络通过如下公式生成用户兴趣箱序列增强表示通过公式 计算新会话表示C＝(c1,c2,…,cn)；

其中，

上述式中：和lp分别表示衰减常数和左偏移量；Dinit和Dfinal表示两个预先指定的常数设置Dinit＝0.98，Dfinal＝0.01；e表示自然常数；N表示用户兴趣箱的个数；μ表示目标会话S所需要的自适应时间间隔；k∈(1,2,…,N)； 表示可训练参数。

4.如权利要求1所述的基于时间增强的图神经网络会话推荐方法，其特征在于，步骤S5中，通过如下步骤生成候选项目的概率分布：S501：基于新会话表示C＝(c1,c2,…,cn)结合加和池化，生成长期兴趣表示zlong；

S502：通过GRU从新会话表示C中获取短期兴趣表示zshort；

S503：结合门控机制融合长期兴趣表示zlong和短期兴趣表示zshort，生成会话最终表示zfinal；

S504：基于会话最终表示zfinal从候选项目集合V＝(v1,v2,…,vV)中选取前K个候选项目vi∈V进行推荐，并计算各个候选项目vi∈V的分数；

S505：基于各个候选项目vi∈V的分数应用softmax函数，生成候选项目的概率分布。

5.如权利要求4所述的基于时间增强的图神经网络会话推荐方法，其特征在于，通过公式 计算长期兴趣表示zlong；

通过公式 计算短期兴趣表示zshort，其中， 代表在时间步长i‑1处的会话项目表示，将最后一个会话项目表示作为会话短期表示通过公式zfinal＝f⊙zlong+(1‑f)⊙zshort计算会话最终表示zfinal；

其中，

通过公式 计算候选项目vi∈V的分数

通过公式 计算候选项目vi∈V的概率，进而生成候选项目的概率分布；

上述式中： 表示候选项目vi∈V的初始化嵌入表示； 表示可训练参数。

6.如权利要求4所述的基于时间增强的图神经网络会话推荐方法，其特征在于：通过时间反向传播算法训练时间增强图神经网络模型，并采用交叉熵作为损失函数；

其中，交叉熵损失函数表示为

上述式中：yi表示真实标签。