1.一种基于融合用户意图的交互兴趣图的图卷积网络推荐方法，其特征在于，所述方法包括：步骤1，根据时序信息和位置信息，对图卷积网络推荐模型中用户‑项目交互图中的项目序列重新构建，以生成簇型兴趣图，所述簇型兴趣图包括用户簇兴趣图和项目簇兴趣图；

步骤2，基于用户簇兴趣图和项目簇兴趣图对同簇属性和异簇属性分别实施交互建模，产生分别附有同质化和异质化的协作信号，将用户自身的表示与附有同质化和异质化的协作信号进行融合，生成高密度兴趣图；

步骤3，基于高密度兴趣图，利用双层神经网络构建分类模块，对每个用户节点均进行无监督分类，处于类边缘的节点自动分裂，形成多个中间子图，再以中间子图的共同意图来分析中间子图间的独立性，实施2次分裂，最终生成多个子图；

步骤4，将多个子图的用户唯一节点与同一项目的多个子图节点执行高阶图卷积操作，最终实现基于图卷积网络的推荐；

步骤1具体包括：

基于时序信息，引入时间间隔特征 进行建模：；

其中， 和 分别为当前时刻和未来预测时刻的编码， 是权重矩阵， 为偏置向量， 为Sigmoid函数；

基于位置信息，使用可学习的位置嵌入矩阵 ，其中，是当前交互序列的长度， 是第1位置的位置向量， 是第 位置的位置向量， 是第 位置的位置向量；

将时序信息和位置信息通过级联方式进行集成，得到包含时序信息和位置信息的项目新表示 ： ；

其中， 为项目的初始表示，通过原始交互兴趣图得到； 表示权重矩阵， 表示偏置向量， 为双曲正切函数；

对于项目 与项目 的相关值 ：

；

其中， 和 分别是查询和键的输入投影， 为比例因子， 和 分别为项目和项目 的项目新表示；

将相关值 标准化为 ：

；

其中， 为标准化后的相关值， 为项目总数， 为项目 与项目 的相关值；

每个输出元素为线性变换输入项的加权和 ： ；

其中， 是模型值的输入投影， 为标准化后的项目 与项目 的相关值， 为项目 的项目新表示；

通过融合时序信息和位置信息来构建意图增强层，以计算项目间的相关性和区分用户交互序列中不同的意图区域，根据意图增强层，获得新用户邻接矩阵 及任一项目 的初始综合嵌入表示 ，进而将图卷积网络推荐模型中用户‑项目交互图中的项目序列重新构建为簇型兴趣图，所述簇型兴趣图包括用户簇兴趣图和项目簇兴趣图；

步骤2具体包括：

步骤2.1，通过消息传递方式对特征学习的内部交互进行同簇交互，将用户簇兴趣图中的节点嵌入表示输入到神经网络中，从而获得同质化的协作信号，具体使用多层感知机进行建模，输出交互建模结果 ： ；

其中， 表示MLP函数， 和 分别为节点 和 的嵌入表示；

将每个节点对应的所有交互建模结果进行聚合，使用Hadamard乘积的方式进行处理；

步骤2.2，将对用户簇兴趣图和项目簇兴趣图这两个图采用交叉交互方式实施建模以进行异簇交互，获得异质化的协作信号；

步骤2.3，实施同簇交互和异簇交互结果的聚合，在生成同质化信息的同时捕获节点的异质化信息，具体将初始节点的表示形式 、消息传递结果 及节点匹配结果作为节点聚合函数 输入，得到聚合后的节点表示，每个图的融合节点表示聚合为图表示，使用Hadamard乘积之和来聚合节点表示，得到高密度兴趣图的嵌入表示。

2.根据权利要求1所述的基于融合用户意图的交互兴趣图的图卷积网络推荐方法，其特征在于，高密度兴趣图的嵌入表示 满足以下条件式： ；

其中，G表示用户协作图，V表示用户协作图的所有节点集合。

3.根据权利要求2所述的基于融合用户意图的交互兴趣图的图卷积网络推荐方法，其特征在于，步骤3中，双层神经网络的表达式如下： ；

；

其中， 为一层预测向量； 是目标预测向量，且目标预测向量中最大值的位置下标，即为用户所属的子图标号； 和 是双层神经网络的权重矩阵； 和 是双层神经网络的偏置向量，是预先设定的超参数。

4.根据权利要求3所述的基于融合用户意图的交互兴趣图的图卷积网络推荐方法，其特征在于，步骤3中，以中间子图的共同意图来分析中间子图间的独立性，实施2次分裂，最终生成多个子图具体包括：为每个中间子图中的成员设计意图聚合函数，并将聚合后的节点表示 作为意图聚合函数的输入；

根据 间的相似度求解出每个用户对同一中间子图中其余成员用户偏好的投票权重，并利用线性加权方式得到该中间子图当前的共同意图表示： ；

其中，是中间子图中成员 对成员 的偏好投票权重， 为偏好投票权重计算函数； 是中间子图 中成员 综合其余成员偏好而得到的共同意图表示； 是子图 中成员 的意图表示， 为中间子图 中的成员总数；

将中间子图 的当前各个共同意图表示进行线性求和，得到最终的子图共同意图表示： ；

其中， 为共同意图的总数， 为中间变量；

采用距离作为评判相似性的标准，具体采用欧氏距离度量： ；

其中， 表示中间子图 和中间子图 之间的相似性，表示共同意图维度， 和 分别表示中间子图 和中间子图 的第 个维度特征；

将用户个体意图与其所属子图的共同意图距离大于预设值的用户节点进行重新分配，实现中间子图的2次分裂，最终生成多个子图。

5.根据权利要求4所述的基于融合用户意图的交互兴趣图的图卷积网络推荐方法，其特征在于，步骤4具体包括：步骤4.1，对于一阶传播，所有一阶邻居都参与图卷积运算， 和 分别表示经簇型兴趣图消息交互后的用户初始嵌入和经意图增强后的项目初始嵌入，则一阶图卷积运算为： ；

 ；

其中， 和 分别表示用户 和项目 的一阶嵌入， 和 分别表示用户交互的项目集和项目交互的用户集；

步骤4.2，对于用户节点，利用其所属的一个子图中相邻节点的信息；对于项目节点，采用多个包含项目的子图中学习它的嵌入表示；项目 在子图 中经过 层图卷积后的嵌入表示记为 ，其传播过程为： ；

 ；

其中， 表示在项目 在子图 交互的用户集， 为项目 在子图 中经过 层图卷积后的嵌入表示， 为用户 经过 层图卷积后的嵌入表示，为用户 经过 层图卷积后的嵌入表示；

项目 经过 层图卷积的最终表示 是在不同子图中学习到的嵌入的组合，具体为： ；

其中，S是包含项目 的子图集；

步骤4.3，给定所有用户的初始嵌入 和项目的初始嵌入 后，随着嵌入达到第 层时，再将每一层用户的嵌入表示 和项目的嵌入表示 组合起来，得到用户的最终表示 或项目的最终表示 ，用户 对项目 的最终得分 的计算公式如下所示： ；

其中， 表示转置操作；

求出用户对所有项目的最终得分，然后按照从大到小的顺序对最终得分进行排序，选择排序靠前的预设数量的项目作为推荐项，实现项目推荐。