1.一种基于动静态兴趣建模与持续时间感知的序列服务推荐方法，其特征在于，包括如下步骤：S1、数据采集，获取一定时间内多个用户与服务的序列交互数据，并构建数据集；

所述步骤S1中构建的数据集表达式为：

u 1 u U

S＝{S ,…,S ,…,S}，其中用户u∈U的交互序列定义为 U是所有u

用户集合，|U|表示用户数目，S中的第i个元素 表示用户u与服务 的交互记录，其中V表示所有服务的集合， 是对应交互行为的辅助信息，包括当前服务与下个服务 间隔时间 以及当前服务 的持续时间 时间g和持续时间d均为非负实数；

S2、对数据预处理，将用户的历史行为序列S截断为一系列连续的固定长度为L的子序列，对于长度小于L的序列，在开头添加一些填充项，即0值，直到长度达到L；

S3、表征学习，将服务和辅助信息表示为低维实数嵌入向量；

S4、兴趣挖掘建模，用户的动态和静态兴趣分别通过时间感知神经霍克斯过程和辅助信息感知自我注意机制进行挖掘和建模；

所述步骤S4具体包括以下子步骤：

S41、用户动态兴趣建模挖掘，提出时间感知神经霍克斯过程，基于时间感知连续长短期记忆网络进行动态兴趣挖掘，在动态兴趣挖掘过程中，对于每个输入的服务交互序列S，只关注最后ld交互项 用户的动态兴趣为 为时间感知连续长短期记忆网络的最后一个单元的状态表示，

所述时间感知连续长短期记忆网络中的更新方程如下：

ik+1＝σi(Wxixk+Whih(tk)+bi)fk+1＝σf(Wxfxk+Whfh(tk)+bf)ck+1＝fk+1⊙c(tk)+ik+1⊙σc(Wxcxk+Whch(tk)+bc)⊙dk+1其中ik+1,fk+1,ok+1,dk+1分别代表第k项的输入、遗忘、输出门和持续时间门，持续时间门d能够控制持续时间的影响，并过滤单元状态c来控制当前服务的影响，ck是带有历史信息的单元状态向量，xk是输入特征向量，h(tk)和c(tk)是第k个服务到达时的隐藏输出状态和单元状态向量，⊙表示逐元素乘法，σi、σf、σo、σd和σ′d是sigmoid激活函数，σc是tanh激活函数，可学习权重参数矩阵W的下标表示它们的连接作用，下标x、h、i、f、o、d分别表示输入层、隐藏层、输入门、遗忘门、输出门、持续时间门，Wxi是输入层‑输入门矩阵，bi,bf,bc,bo,bδ均为偏置，t∈(tk,tk+1]时，随着t＞tk增加，单元状态c(t)以δk+1的速率从ck+1向 衰减：δk+1＝σδ(Wxδxk+Whδh(tk)+bδ)其中，σδ是softplus激活函数，Wxδ和Whδ是可学习的权重参数，bδ是偏置， 和 的定义与fk+1和ik+1一致，随着时间的变化，h(t)由c(t)连续产生，h(t)＝ok+1⊙σh(c(t))，其中σh是tanh激活函数，当t∈(tk,tk+1]并且下一个服务没有来临时，c(t)和h(t)均成立；

S42、用户静态兴趣建模挖掘，静态兴趣代表整体稳定的偏好，使用整个输入序列进行静态兴趣挖掘，用户的静态兴趣定义为 其中 是可学习的变换向量，是利用多头注意力机制得到的特征向量；

S5、兴趣融合推荐。

2.根据权利要求1所述的基于动静态兴趣建模与持续时间感知的序列服务推荐方法，其特征在于，所述低维实数嵌入向量包括服务嵌入向量和时间值嵌入向量。

3.根据权利要求2所述的基于动静态兴趣建模与持续时间感知的序列服务推荐方法，其特征在于，所述步骤S3具体包括以下子步骤：S31、对于服务嵌入向量，使用嵌入矩阵 来嵌入服务，其中N是服务的数量，d是嵌入向量的维度；

S32、对于时间值嵌入向量，采用个性化的时间桶嵌入方法将持续时间表示为时间值嵌入向量，对于同一用户的所有持续时间，将它们除以最小的持续时间以产生个性化的持续时间，如果最小持续时间为0，我们手动将其设置为1，用户的最小持续时间记为dmin，持续时间di可以转换为持续时间桶 离散时间桶通过可学习的嵌入矩阵 变为时间桶嵌入向量，其中D是持续时间桶数。

4.根据权利要求3所述的基于动静态兴趣建模与持续时间感知的序列服务推荐方法，其特征在于，所述步骤S42中，用户的静态兴趣定义为 其中H＝Concat(head1,head2,…,headh)，其中Concat表示向量拼接操作，其中 和 为可学习的参数矩阵， 为混合嵌入向量，

定义为： 其中 为向量拼接操作， 和b为参数矩阵和参数向量，σIS为sigmoid激活函数， 为输入服务序列的嵌入向量， 为输入服务序列的辅助信息的嵌入向量，注意力函数定义为

5.根据权利要求4所述的基于动静态兴趣建模与持续时间感知的序列服务推荐方法，其特征在于，所述步骤S5中，利用可学习的门控机制控制动态兴趣 和静态兴趣 的自适应融合获得用户的混合兴趣pu，并进行推荐。

6.根据权利要求5所述的基于动静态兴趣建模与持续时间感知的序列服务推荐方法，其特征在于，所述步骤S5用户的混合兴趣定义为 其中gu是可学习的参数向量，定义为 其中 和 是门控参数，

在获取用户u混合兴趣pu的基础上，可计算预测分数并进行推荐，用户u对于服务j的兴趣分数定义为 其中qj是服务j的特征嵌入向量。