1.一种基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，包括如下步骤：步骤1、获取用户的历史物品交互序列，通过自学习的物品嵌入矩阵得到长期嵌入序列和短期嵌入序列 其中m>n；

步骤2、将长期嵌入序列和短期嵌入序列分别输入两个独立的多头自注意力模块，得到更新的长期嵌入序列和短期嵌入序列；

步骤3、将更新的长期嵌入序列中最后一个物品的嵌入向量作为用户的长期动态兴趣，计算更新的长期嵌入序列与最后一个物品的嵌入向量的注意力权重并进行加权求和得到用户的长期静态兴趣，具体如下：用户的长期动态兴趣 为长期嵌入序列 中最后一个物品的嵌入向量 即长期动态兴趣为 长期静态兴趣定义为：其中 为需要训练的参数，ReLU为激活函数， 是最后一个物品的嵌入向量；

将更新的短期嵌入序列中最后一个物品的嵌入向量作为用户的短期动态兴趣，计算更新的短期嵌入序列与最后一个物品的嵌入向量的注意力权重并进行加权求和得到用户的短期静态兴趣，具体如下：在短期嵌入序列 的基础上得到短期动态兴趣 和短期静态兴趣其中 为需要训练的参数,；

步骤4、将长期动态兴趣和长期静态兴趣进行拼接然后进行非线性变化得到用户的长期进化兴趣，在短期动态兴趣 和短期静态兴趣 的基础上得到用户短期进化兴趣步骤5、通过逐元素求和得到用户的动态兴趣、静态兴趣和进化兴趣，具体的：将长期动态兴趣和短期动态兴趣进行逐元素求和得到用户的动态兴趣；

将长期静态兴趣和短期静态兴趣进行逐元素求和得到用户的静态兴趣；

将长期进化兴趣和短期进化兴趣进行逐元素求和得到用户的进化兴趣；

步骤6、计算动态兴趣、静态兴趣和进化兴趣与最后一个物品的嵌入向量的注意力权重并进行加权求和到融合的用户兴趣；

步骤7、计算与所有物品嵌入的乘积作为每个物品的推荐得分，为用户推荐分数最高的前若干个物品。

2.根据权利要求1所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤1中，将用户的历史物品交互序列表示为H＝(h1,h2,…,ht)，其中hi为第i个交互行为对应的物品；长期序列为最近的长度为m的序列 短期序列为最近的长度为n的序列 基于自学习的物品嵌入矩阵将序列中涉及的物品进行嵌入得到长期嵌入序列 和短期嵌入序列 其中k表示所有序列中所有物品种类个数，其中d表示向量嵌入维度。

3.根据权利要求2所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤2中，更新的长期嵌入序列 定义为：其中， 为对应物品i的经过注意力机制更新后的嵌入表示， 为第j个注意力头得到的嵌入序列，定义为：其中 为位置更新

后的长期嵌入序列， 为位置更新后的物品i嵌入表示， 为物品i的初始嵌入表征， 是自学习的物品i的位置向量，其中 和 为三个参数矩阵。

4.根据权利要求3所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤4中，用户长期进化兴趣定义为：其中， 是长期动态兴趣， 是长期静态兴趣，(·|·)为拼接运算，为需要训练的参数；

5.根据权利要求4所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤5中，用户的动态兴趣pd定义为：其中 表示逐元素相加， 是长期动态兴趣， 是短期动态兴趣；

x

用户的静态兴趣p定义为：

其中 表示逐元素相加， 是长期静态兴趣， 是短期静态兴趣；

y

相同的，用户的进化兴趣p定义为：

其中 表示逐元素相加， 是长期进化兴趣， 是短期进化兴趣。

6.根据权利要求5所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤6中，融合的用户兴趣定义为：d x y

p＝wr(αpp+αxp+αyp)

d x y

其中 为需要训练的参数，p是动态兴趣，p是静态兴趣，p是进化兴趣，是最后一个物品的嵌入向量。