1.一种融合注意力机制和图对比学习的链路预测方法，其特征在于，包括以下步骤：S1，通过异构群体交互图获得两个目标群体的属性矩阵和结构矩阵，分别对属性矩阵、结构矩阵进行编码操作得到两个目标群体的属性嵌入和结构嵌入；所述两个目标群体分别为用户群组和待推荐对象的候选集；

S2，采用注意力机制对待链路预测的两个目标群体进行群体学习；

S2-1，使用线性投影将S1中的属性嵌入和结构嵌入表示转换成键向量和值向量；

S2-2，将键向量和值向量通过s个基于Transformer的注意力模块来计算两个目标群体的s个视图表示；

S2-3，在每个视图中，将节点表示集合作为输入，然后计算视图下每个节点的权重，并返回节点表示的加权和作为视图表示，然后计算两个目标群体视图表示的相似度得分，将相似度得分从高到低排序，选择前K个作为当前用户群组的推荐对象集合；

其中，在每个视图中，将节点表示集合作为输入，然后计算视图下每个节点的权重，并返回节点表示的加权和作为视图表示，然后计算两个目标群体视图表示的相似度得分，包括：为每个群体视图引入了一个可训练的查询向量Q，然后，使用“视图引导注意力”机制计算Q与每个节点的key向量之间的相似度，再使用Softmax函数来计算每个节点相对于Q其中Q

·

g

K

K

ω

Softmax函数确保权重的有效归一化；

其中

其中

MAX表示取最大值；

⊙表示Hadamard乘积；

σ是Sigmoid函数；

MLP表示多层感知器。

2.根据权利要求1所述的一种融合注意力机制和图对比学习的链路预测方法，其特征在于，采用图神经网络GNN进行编码操作，对属性矩阵的编码操作如下：其中

GNN

X表示属性矩阵；

||·||

N表示样本总数量；

对结构矩阵的编码操作如下：其中

A表示结构矩阵。

3.根据权利要求1所述的一种融合注意力机制和图对比学习的链路预测方法，其特征在于，包括以下步骤：在属性编码过程中，过滤属性矩阵X中的高频噪声，如下所示：其中

Filter(L,X)表示输入矩阵X应用滤波器L进行滤波操作。

4.根据权利要求1所述的一种融合注意力机制和图对比学习的链路预测方法，其特征在于，所述使用线性投影将S1中的属性嵌入和结构嵌入表示转换成键向量和值向量，包括：对于具有属性嵌入和结构嵌入的给定节点进行转置相乘，此过程表示为：其中K

K

V

V

i

K(i

K，V分别表示注意力模块中的键向量和值向量；

Linear(·)表示线性投影；

i,k∈{1,2,...,N}；j,l∈{1,2}。

5.根据权利要求1所述的一种融合注意力机制和图对比学习的链路预测方法，其特征在于，在所述链路预测方法的训练过程中，采用的损失函数为：其中，λ是一个权衡参数；