1.一种基于邻居会话感知的会话推荐方法，其特征在于，包括以下步骤：

S1：根据各会话中的物品点击顺序，构建各所述会话的物品节点图；所述会话包括当前会话以及所述当前会话的邻居会话；

S2：学习并融合各所述会话的物品节点图中物品的一阶转换关系和高阶转换关系，获得各所述会话的全局兴趣表示；

S3：基于当前会话的全局兴趣表示和各邻居会话的全局兴趣表示，获得当前会话的相似邻居协作信息表示；

S4：基于当前会话的全局兴趣表示以及所述相似邻居协作信息表示，推荐候选物品；

所述步骤S2包括：

S21：对于各会话的物品节点图,学习物品节点图中物品间的一阶转换关系和高阶转换关系，得到各会话的1~L阶嵌入表示；具体地，通过使用 L 层堆叠的高阶图神经网络(HGNN, higher-order graph neural networks) 来学习各自的物品节点图中物品的一阶转换关系和高阶转换关系，即对于各阶转换关系，采用对应层 HGNN 进行学习；

S22：对各会话的1~L阶嵌入表示进行非线性和正则化优化，得到各会话优化后的1~L阶嵌入表示；

S23：对于各会话,融合优化后的1~L阶嵌入表示，得到各会话的融合嵌入表示；具体地，利用多层感知机 (MLP, multi-layer perception) 将优化后的l~L阶嵌入表示进行融合，得到融合了一阶转换关系和高转换关系的融合嵌入表示；

S24：对于各会话,基于物品节点图,优化融合嵌入表示,得到各会话的第一优化融合嵌入表示；具体地，引入Highway网络,来自适应性地从未经过1~L阶转换关系学习的初始嵌入表示和经过1~L阶转换关系学习融合后的融合嵌入表示中进一步选择有效信息，并减少偏差带来的模型过拟合；

S25：对于各会话，利用注意力机制优化第一优化融合嵌入表示，获得第二优化融合嵌入表示；

S26：对于各会话，对第二优化融合嵌入表示进行加和池化处理，得到各会话的全局兴趣表示；

所述步骤S3包括：

S31：基于当前会话的全局兴趣表示和各邻居会话的全局兴趣表示，构建当前会话的相似邻居会话节点图；具体地，基于各个会话的全局兴趣表示，采用自注意力机制计算当前会话与各个邻居会话之间的相似度，然后,选择注意力权重最高的K个邻居会话作为当前会话的相似邻居集合，再根据该相似邻居集合确定当前会话的相似邻居会话节点图的邻接矩阵，使用类KNN算法来选择与当前会话节点最相似的K个邻居会话节点；

S32：学习相似邻居会话节点图中节点的连接关系，提取相似邻居会话的相似邻居协作信息表示；在构建好相似邻居会话节点图后，引入一个改进版的图注意力网络 (GATv2) 即动态图注意力网络，通过使用动态图注意力机制自适应地为不同的相似邻居节点分配合适的边权重，来学习相似邻居会话节点图的各个节点之间的连接关系。

2.根据权利要求1所述的基于邻居会话感知的会话推荐方法，其特征在于，所述步骤S25的所述注意力机制为如下公式所示的软注意力机制：式中，表示可训练的参数，表示注意力分数，表示归一化后的注意力权重，为第一优化融合嵌入表示，经过注意力机制优化后的第二优化融合嵌入表示;表示会话的长度，表示物品嵌入的维度。

3.根据权利要求1所述的基于邻居会话感知的会话推荐方法，其特征在于，在所述步骤S31中，采用自注意力机制，基于当前会话的全局兴趣表示和各邻居会话的全局兴趣表示计算各邻居会话与当前会话的相似度；然后，使用类KNN算法，在各邻居会话中选择与当前会话最相似的K个邻居会话，构建当前会话的相似邻居会话节点图。

4.根据权利要求3所述的基于邻居会话感知的会话推荐方法，其特征在于，所述步骤S32中，通过动态图注意力网络GATv2学习相似邻居会话节点图中节点的连接关系。

5.根据权利要求1所述的基于邻居会话感知的会话推荐方法，其特征在于，所述步骤S4包括：S41：基于当前会话的全局兴趣表示中的最后一个嵌入向量以及当前会话的全局兴趣表示，得到当前会话的混合兴趣表示；

S42：基于当前会话的混合兴趣表示以及相似邻居协作信息表示，得到最终会话表示；

S43：基于所有物品的初始嵌入向量和最终会话表示，推荐候选物品。

6.一种用于执行如权利要求1所述的基于邻居会话感知的会话推荐方法的会话推荐装置，其特征在于，包括：节点图生成模块，根据各会话中的物品点击顺序，构建各所述会话的物品节点图；所述会话包括当前会话以及所述当前会话的邻居会话；

转换关系学习融合模块，学习并融合各所述会话的物品节点图中物品的一阶转换关系和高阶转换关系，获得各所述会话的全局兴趣表示；

协作信息提取模块，基于当前会话的全局兴趣表示和各邻居会话的全局兴趣表示，获得当前会话的相似邻居协作信息表示；和候选物品推荐模块，基于当前会话的全局兴趣表示以及所述相似邻居协作信息表示，推荐候选物品。