1.一种基于多视角增强图注意神经网络的音乐推荐方法，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得音乐收听记录H ＝{ H 1 , … , H u , … , H U } ，偏好与音乐特征之间的相关性，正式定义为：其中σ是带泄漏的ReLU激活函数，而是可学习的向量参数，d″是隐藏层大小，||是向量之间的拼接，此外，和是用户u和音乐mi在行为视角中的隐藏表示，定义为其中和是可学习的参数，tanh( )是双曲正切激活函数，

从HMG中以用户的会话视角上的兴趣表征方法如下：将用户u在HMG上的会话邻居进行聚合得到用户兴趣表示，即对于用户节点vu和她/他的k′个会话邻居{s0,s1,…,sk′‑1}，会话视角的用户兴趣表示定义为：其中，其中上标s表示会话视图，是u的会话si的嵌入，是会话si和用户u之间的注意力权重，正式定义为：其中是u和她/他的会话邻居si之间的边的权重，是u和si之间的会话得分，表示用户全局偏好和会话偏好之间的相关性，和是可学习的参数，和是用户u和会话si的隐藏表示；

S33、音乐特征建模：首先从HMG中以音乐的属性视角、交互视角、转移视角和上下文视角学习音乐的特征表示，然后将四个视角的特征表示进行融合，得到音乐的综合特征表示vm；

S4、用户短期兴趣建模

从用户的最近的音乐收听行为中推断她/他的短期兴趣偏好；S5、音乐推荐基于用户的长期、短期和动态三种兴趣偏好进行推荐。

2.根据权利要求1所述的基于多视角增强图注意神经网络的音乐推荐方法，其特征在于，所述步骤S1中还包括数据处理，每个用户的音乐收听记录根据时间戳划分为不同的会话，其中间隔时间超过一定阈值的音乐播放记录会被划分到两个会话中，将用户u的播放记录被划分为n个会话，此外，音乐和用户的内容特征词的集合表示为F。

3.根据权利要求1所述的基于多视角增强图注意神经网络的音乐推荐方法，其特征在于，所述步骤S32中，用户的综合兴趣表征vu方法如下：用户的综合兴趣表征建模为三个视角中学到的用户兴趣，定义为：

其中和分别是u在档案视角、行为视角和会话视角的兴趣表示，和是三个视角的权重，通过注意力机制计算的，视角x(p、b或者s)的权重定义为：其中，qu∈Rd″、和是可学习参数，d″是隐藏层的大小，是用户u在视角x下的兴趣表示。

4.根据权利要求1所述的基于多视角增强图注意神经网络的音乐推荐方法，其特征在于，所述步骤S33中，从HMG中以音乐的属性视角学习音乐的特征表示：将音乐m内容特征中的l ′个特征词{f 1 ，f 2 ，… ，f l ′}转换为相应的词嵌入矩阵小，||是向量之间的拼接，此外，和是m和uj在交互视角中的隐藏表示，和是可学习的参数，tanh( )是双曲正切激活函数；

从HMG中以音乐的转移视角学习音乐的特征表示：将音乐m在HMG上的用户邻居进行聚合得到音乐特征表示，即对于音乐m和它的n′个音乐邻居{m0,m1,…,mn′‑1}，转移视角的音乐特征表示定义为：其中是音乐mj的初始特征向量，上标t表示转移视角，是音乐m对第j个音乐邻居节点mj在转移视角的注意力权重，其定义如下：其中是音乐m和第j个音乐邻居节点mj在HMG上的边的权重，是m和mj之间的交互得分，表示音乐特征之间的相关性，σ是带泄漏的ReLU激活函数，d″是隐藏层大小，||是向量之间的拼接，此外，和是m和mj在转移视角中的隐藏表示，和是可学习的参数，tanh( )是双曲正切激活函数；

从HMG中以音乐的上下文视角学习音乐的特征表示：将音乐m在HMG上的会话邻居进行聚合得到音乐特征表示，即对于音乐m和它的n″个会话邻居{s0,s1,…,sn″‑1}，上下文视角的音乐特征表示定义为：其中是会话sj的初始特征向量，上标c表示上下文视角，是音乐m对第j个会话邻居节点sj在上下文视角的注意力权重，其定义如下：其中是音乐m和第j个会话邻居节点sj在HMG上的边的权重，是m和sj之间的交互得分，表示音乐特征之间的相关性，σ是带泄漏的ReLU激活函数，d″是隐藏层大小，||是向量之间的拼接，此外，和是m和sj在上下文视角中的隐藏表示，和是可学习的参数，tanh( )是双曲正切激活函数。

5.根据权利要求4所述的基于多视角增强图注意神经网络的音乐推荐方法，其特征在于，所述步骤S33中，将属性视角、交互视角、转移视角和上下文视角四个视角的特征表示进行融合，得到音乐的综合特征表示vm方法如下：定义：

其中和分别是m在属性视角、交互视角、转移视角和上下文视角的特征表示，和是四个视角的权重，通过注意力机制计算的，视角y(a、i、t或者c)的权重定义为：其中，y是a、i、t和c中任意一种，qm∈Rd″、和是可学习参数，d″是隐藏层的大小，是音乐m在视角x下的特征向量。

6.根据权利要求1所述的基于多视角增强图注意神经网络的音乐推荐方法，其特征在于，所述步骤S4中，给定用户u和她/他的历史收听序列{m0,…,mo‑i,…,mo‑1}，u的短期偏好表示用基于注意力的加权和策略定义为：其中是音乐mj的综合特征表示，o是历史序列的长度，h是近期序列的长度，是历史记录mj在短期偏好推断过程中的权重，用软注意机制定义为：其中是mj对于u的短期偏好推断的得分，定义为：

其中vu∈Rd是用户u的综合兴趣表征，是最后一首音乐记录mo‑1的综合特征表示，和cε∈R  d是可学习的参数。

7.根据权利要求1所述的基于多视角增强图注意神经网络的音乐推荐方法，其特征在于，所述步骤S5中，用户u对候选音乐m的兴趣分数定义为：其中vm是音乐m的综合特征表示，ρlt，ρst和ρd分别是长期、短期和动态兴趣偏好的权重，定义为其中Wρ∈R3×3d和cρ∈R3是可学习的参数，从而根据上述公式中的兴趣对候选音乐进行排序，并将得分高的音乐推荐给目标用户。