1.一种基于类别感知图神经网络的服务建模与推荐方法，其特征在于，包括以下步骤：步骤1、输入用户的历史服务交互数据；

步骤2、读取并处理用户的历史服务交互数据

将每个用户的历史服务交互数据按照时间戳进行先后排序，得到每个用户行为序列文件，其中每一行对应一个用户的服务交互序列；

步骤3、构建异构超图

利用用户对于服务的交互数据和服务的类别信息构建类别感知超图；

步骤4、通过类别感知超图卷积构建模型，并挖掘服务交互序列中服务和服务类别信息之间的复杂关系步骤4‑1、类别感知超图卷积

首先定义类别感知超图卷积为 其中

i c

为输入特征，X和X是服务i及对应服务类别c的嵌入向量，NI和NC是服务和类别的数目，d是嵌入向量的维度， 和 是超图的关联矩阵和超边的权重矩阵，Dv和De是等式中的归一化矩阵， 被输入到L个堆叠类别感知超图卷积层中，类别感知超图卷积操作的L个输出被聚合以获得最终的节点嵌入，它使用平均池化i c策略定义如下 进而，计算得到服务嵌入X＝Xh[0:NI]和服务类别嵌入X＝Xh[NI:NI+NC]；

步骤4‑2，序列建模与提取

基于服务嵌入和类别嵌入，将序列Su转换为服务和类别嵌入的两个序列：和 其中 和 表示用户u的服务交互序

列Su中的第t个服务嵌入和相应的服务类别嵌入，通过线性变换生成服务嵌入 和类别嵌i c入 的注意力权重矩阵A和A，它们分别定义为

其中 是权重矩阵，采用学

习到的反向位置嵌入P＝[p1,p2,...,pm]，其中m表示相应交互序列中的服务数，那么服务交互序列Su中第t个服务的嵌入定义为 其中 和b是可训练参数， 和 分别是当前会话中第t个服务嵌入和相应类别嵌入的注意力权重矩阵；

l

步骤4‑3，用户的局部偏好由交互序列中最后一个服务的嵌入hm表示，定义为S＝hm，通g过为会话中的每个服务分配不同的权重来改进用户兴趣的提取，用户的全局偏好S通过软注意机制聚合服务嵌入来表示，定义为 权重αt＝fθ(W2hs+W3ht+c)，其中和c是可学习的权重矩阵和偏差，θ是非线性激活函数，hs是服务交互序列Su的平均嵌入，表示为

l g h

步骤4‑4，通过连接局部偏好S 和全局偏好S来获得用户的混合偏好嵌入S ，其形式化h g l定义为S＝θ(W4[S||S])，其中θ和 分别表示非线性激活函数和可学习参数；

步骤5、模型训练与服务推荐。

2.根据权利要求1所述的一种基于类别感知图神经网络的服务建模与推荐方法，其特征在于，所述步骤1中，历史服务交互数据包括用户ID、服务ID、服务信息以及交互的时间。

3.根据权利要求1所述的一种基于类别感知图神经网络的服务建模与推荐方法，其特征在于，所述步骤2中，每个服务交互序列中，所对应的用户交互过的服务ID及对应的类别按交互的时间先后顺序排序，使用逗号分隔；形式为Su＝{(服务1的ID，服务1的类别)，(服务2的ID，服务2的类别),……,(服务n的ID，服务n的类别)}＝{(iu,1,cu,1),(iu,2,cu,2),...,(iu,n,cu,n)}。

4.根据权利要求1所述的一种基于类别感知图神经网络的服务建模与推荐方法，其特征在于，所述步骤3中，所述类别感知超图的构建方法：

1)构建类别感知超图：G(H)＝(V,E)，其中V表示超节点集，超节点集包含服务和相应的类别信息，E是超边集，超边连接会话内的服务节点和类别节点；

2)将每个超边表示为[is,1,...,is,m,cs,1,...,cs,m]，其中每个服务是is,k∈I，I是所有的服务集合，服务is,k对应的类别定义为cs,k∈C，1≤k≤m，C是服务类别的集合；

3)如果某些用户先后与服务is,m‑1与is,m交互，则在原始记录中两个服务is,m‑1和is,m之间将存在一条边，类别感知超图中每个用户记录中的服务节点和类别节点都是连接的；

|V|×|E|

4)使用关联矩阵表示超图上节点之间的连接，定义为H∈{0,1} ；H中的每个元素Hv,e＝h(v,e)表示节点v∈V是否由超边e∈E连接；h(v,e) 正式定义为节点v的度数d(v)定义为 超边e∈E的度数定义为

5)用两个对角矩阵 和 分别表示超节点度矩阵和超边度矩阵。

5.根据权利要求4所述的一种基于类别感知图神经网络的服务建模与推荐方法，其特i征在于，所述步骤5中，基于学习到的服务i的嵌入X和交互序列Sj中的混合偏好嵌入 可以执行服务推荐，推荐分数 用内积策略定义为 然后，推荐分数 用softmax操作归一化，得到最终分数 即目标服务在给定记录序列Sj情况下被交互的概率，选择 中概率最高的top‑K服务作为推荐列表中的候选，在推荐任务中，学习目标被表述为交叉熵损失其中，N是训练样本的数目。