1.一种基于交互式图注意力网络的序列推荐方法，其特征在于，包括：构建用户属性图和物品属性图；

将所述用户属性图中的节点特征ci和所述物品属性图中的节点特征cj通过MLP函数fm(·，·)计算，得到节点对(i，j)交互建模的输出结果wij，并将每个节点所有交互建模结果聚合得到内部传递信息wi；

具体地，所述将所述用户属性图中的节点特征ci和所述物品属性图中的节点特征cj通过MLP函数fm(·，·)计算，得到节点对(i，j)交互建模的输出结果wij，并将每个节点所有交互建模结果聚合得到内部传递信息wi，包括：通过wij＝fm(ci，cj)得到节点对(i，j)交互建模的结果wij；其中，d

是用户对应交互建模的d维空间R的初始嵌入向量， 是物品对应d

交互建模的d维空间R的初始嵌入向量，xi是与 对应的值，xj是与 对应的值，wij是节点对(i，j)交互建模的结果；

通过 将每个节点对对应的所有交互建模结果聚合得到最终的内部传递信息wi；其中，Ni表示在图内包括节点i在内的邻居节点集；

单层GAT的初始节点特征表示为H＝[h1，h2，...，hN]，实现图注意力操作的节点表征表示为 采用注意力机制学习边的权值αij，将每个邻居节点hj对于节点hi的重要性进行建模；

节点的状态向量通过初始节点特征hi和其在最后一步的隐藏状态 实现门控循环神经网络GRU的更新操作，得到更新后的节点特征在两个图之间进行节点匹配得到节点匹配结果sij，将来自不同图形的节点匹配结果求和得到最终两图交互的信息传递结果si；

将所述内部传递信息wi、所述最终两图交互的信息传递结果si和节点的自有信息ci通过函数ffuse融合得到融合后的节点表示c’i，将每个图的融合节点表示c′i聚合为图表示，得到最终聚合后的节点表示fG；

通过fG(·，·)函数获得所述用户属性图和所述物品属性图的向量表示 和 并在两个图形上使用点积函数f(·，·)来匹配两个图形，最终获得预测的输出结果y′；

具体地，所述通过fG(·，·)函数获得所述用户属性图和所述物品属性图的向量表示和 并在两个图形上使用点积函数f(·，·)来匹配两个图形，最终获得预测的输出结果y’，包括：通过 和 计算得到所述用户属性图和所述物品属性图的向量表示 和

U I U

其中，G是所述用户属性图表示，G 是所述物品属性图表示，V 是所述用户属性图的节I点集，V是所述物品属性图的节点集；

通过 计算得到所述预测的输出结果y’。

2.如权利要求1所述的方法，其特征在于，所述采用注意力机制学习边的权值αij，将每个邻居节点hj对于节点hi的重要性进行建模，包括：通过公式 得到抽象的特征表示 其中，α使用单层的前馈神经网络实现，总的计算过程为： 其中， 是注意力函数，具T 2d′

体表述为： α∈R 是前馈神经网络α的

2d’

参数，LeakyReLU是前馈神经网络的激活函数，R是实数集合，R 是2d’维的实数向量，Wh∈d′×d d′×dR 是可训练的权值矩阵，R 是d′行d列的实数矩阵；

所述节点的状态向量通过初始节点特征hi和其在最后一步的隐藏状态 实现门控循环神经网络GRU的更新操作，得到更新后的节点特征 包括：通过公式 得到输出

其中，

Wz、Wr、Wh、Uz、Ur和Uh是更新函数门控递归单元的权重参数，bz、br和bh是偏置参数， 和 分别是更新门向量和复位门向量，K是多头注意力头的数量， 是k头归一化注意力权重，||是串联操作。

3.如权利要求1所述的方法，其特征在于，所述将所述内部传递信息wi、所述最终两图交互的信息传递结果si和节点的自有信息ci通过函数ffuse融合得到融合后的节点表示c’i，将每个图的融合节点表示c′i聚合为图表示，得到最终聚合后的节点表示fG，包括：通过c′i＝ffuse(ci，wi，si)融合得到融合后的节点表示c′i；

通过 融合得到最终融合后的节点表示fG；其中， 是与当前图存在交互行为的另一个属性图的节点集。

4.一种基于交互式图注意力网络的序列推荐系统，其特征在于，包括：属性图构建模块，用于构建用户属性图和物品属性图；

聚合模块，用于将所述用户属性图中的节点特征ci和所述物品属性图中的节点特征Cj通过MLP函数fm(·，·)计算，得到节点对(i，j)交互建模的输出结果wij，并将每个节点所有交互建模结果聚合得到内部传递信息wi；

具体地，所述聚合模块，包括：

交互建模单元，用于通过wij＝fm(ci，cj)得到节点对(i，j)交互建模的结果wij；其中，d是用户对应交互建模的d维空间R的初始嵌入向量， 是d

物品对应交互建模的d维空间R的初始嵌入向量，xi是与 对应的值，xj是与 对应的值，wij是节点对(i，j)交互建模的结果；

聚合执行单元，用于通过 将每个节点对对应的所有交互建模结果聚合得到最终的内部传递信息wi；其中，Ni表示在图内包括节点i在内的邻居节点集；

重要性建模模块，用于单层GAT的初始节点特征表示为H＝[h1，h2，...，hN]，实现图注意力操作的节点表征表示为 采用注意力机制学习边的权值αij，将每个邻居节点hj对于节点hi的重要性进行建模；

节点特征更新模块，用于节点的状态向量通过初始节点特征hi和其在最后一步的隐藏状态 实现门控循环神经网络GRU的更新操作，得到更新后的节点特征求和模块，用于在两个图之间进行节点匹配得到节点匹配结果sij，将来自不同图形的节点匹配结果求和得到最终两图交互的信息传递结果si；

融合模块，用于将所述内部传递信息wi、所述最终两图交互的信息传递结果si和节点的自有信息ci通过函数ffuse融合得到融合后的节点表示c’i，将每个图的融合节点表示c′i聚合为图表示，得到最终聚合后的节点表示fG；

图形匹配模块，用于通过fG(·，·)函数获得所述用户属性图和所述物品属性图的向量表示 和 并在两个图形上使用点积函数f(·，·)来匹配两个图形，最终获得预测的输出结果y’；

具体地，所述图形匹配模块，包括：

第一计算单元，用于通过 计算得到所述用户属性图的向量表示U I

其中，G是所述用户属性图表示，V是所述物品属性图的节点集；

第二计算单元，用于通过 计算得到所述物品属性图的向量表示 其I U

中，G是所述物品属性图表示，V是所述用户属性图的节点集；

图形匹配执行单元，用于通过 计算得到所述预测的输出结果y’。

5.如权利要求4所述的系统，其特征在于，所述重要性建模模块，具体用于通过公式得到抽象的特征表示 其中，α使用单层的前馈神经网络实现，总的计算过程为： 其中， 是注意力函数，具体表述为：T 2d′

α∈R 是前馈神经网络α的参数，

2d′ d′×d

LeakyReLU是前馈神经网络的激活函数，R是实数集合，R 是2d′维的实数向量，Wh∈R 是d′×d可训练的权值矩阵，R 是d′行d列的实数矩阵；

所述节点特征更新模块，具体用于通过公式 ，得到输出 其中，

Wz、Wr、Wh、Uz、Ur和Uh是更新函数门控递归单元的权重参数，bz、br和bh是偏置参数， 和 分别是更新门向量和复位门向量，K是多头注意力头的数量， 是k头归一化注意力权重，||是串联操作。

6.如权利要求4所述的系统，其特征在于，所述融合模块，包括：第一融合单元，用于通过c′i＝ffuse(ci，wi，si)融合得到融合后的节点表示c’i；

第二融合单元，用于通过 融合得到最终融合后的节点表示fG；其中，是与当前图存在交互行为的另一个属性图的节点集。