1.一种基于时空知识图注意力网络的兴趣点推荐方法，其特征在于，包括以下步骤：S1、建立用户-兴趣点时空关系图；

根据用户之间相似度、兴趣点相似关系和兴趣点之间的时空关系，建立用户-兴趣点时空关系图；

S2、对用户-兴趣点时空关系图进行时空知识图嵌入；时空知识图嵌入包括TransR嵌入方法，TransR嵌入方法对用户和兴趣点之间的时空签到关系建立模型，具体为：用户与兴趣点的签到关系包含用户与兴趣点的基本连接信息和签到的时间和地理位置信息；

用户和兴趣点之间的时空签到关系用三元组表示为，其中，表示用户节点，表示签到关系，包含时间和位置的多维特征，表示兴趣点节点；

通过投影矩阵，将用户节点和兴趣点节点嵌入到关系的空间中，使得用户的嵌入向量通过平移与兴趣点的嵌入向量对齐，计算方法如下：；

；

其中，表示用户的嵌入向量；表示兴趣点的嵌入向量；

S3、信息编码；

通过中心性编码捕捉目标节点在时空知识图结构中的重要性，通过时空编码计算目标节点之间的空间距离和时间间隔；中心性编码包括中心性特征向量，中心性特征向量的计算方式如下：；

其中，表示度中心性指标，表示介数中心性指标，表示特征向量中心性指标；

时空编码方法包含时空关系函数，如果用户同时在兴趣点和进行了签到，通过空间距离和时间间隔构造目标节点和邻居节点的时空关系函数，计算方法如下：；

其中，和表示缩放参数；

S4、构建时空知识图注意力网络；

利用时空特征和多头注意力机制来扩展时空知识图的接受域，从而计算和捕捉目标节点之间的关系，利用邻居节点的时空加权特征对目标节点进行更新，并使用跳跃连接和激活函数提升模型的表达能力；

S5、任务预测；

将S4中的时空知识图注意力网络嵌入到多层Transformer模型中，通过残差连接和归一化操作实现特征增强，目标节点特征经过多层Transformer模型的特征增强后，被传递到预测层用于处理具体预测的任务。

2.根据权利要求1所述的一种基于时空知识图注意力网络的兴趣点推荐方法，其特征在于，S1中，用户之间相似度包括社交关系相似度、签到位置相似度和签到时间相似度，其中签到位置相似度的计算方式如下：；

其中，表示用户的签到位置向量，表示用户的签到位置向量，为用户签到过的兴趣区域集合，为用户签到过的兴趣区域集合，表示惩罚强度参数，表示用户和用户在签到区域上的对称差集，表示用户和用户的全部签到区域，惩罚项用于惩罚那些在签到兴趣区域上差异较大的用户对，。

3.根据权利要求1所述的一种基于时空知识图注意力网络的兴趣点推荐方法，其特征在于，S2中，时空知识图嵌入还包括注意力机制模型，注意力机制模型利用用户之间的相似性边和兴趣点之间的相似边的权重信息进行动态加权聚合。

4.根据权利要求3所述的一种基于时空知识图注意力网络的兴趣点推荐方法，其特征在于，S4中，时空知识图注意力网络把时空特征融合到目标节点特征中，计算方式如下：；

其中，表示目标节点和邻居节点在第个注意力头中的相似度得分，表示目标节点的特征向量，表示邻居节点的特征向量，表示查询的权重矩阵，表示键的权重矩阵，表示缩放因子。

5.根据权利要求4所述的一种基于时空知识图注意力网络的兴趣点推荐方法，其特征在于，使用Softmax函数对相似度得分进行归一化，得到时空加权注意力权重，将所有时空加权注意力权重拼接起来，并通过线性变换矩阵组合后得到，计算方式如下：；

其中，、和表示输入的特征矩阵。

6.根据权利要求5所述的一种基于时空知识图注意力网络的兴趣点推荐方法，其特征在于，S4中，跳跃连接的计算方式如下：；

其中，表示激活函数，表示目标节点更新后的节点嵌入，表示可学习参数，表示目标节点的邻居节点集合。

7.根据权利要求6所述的一种基于时空知识图注意力网络的兴趣点推荐方法，其特征在于，S5中，预测层的计算方式如下：；

其中，表示预测层的权重矩阵，表示偏置项，表示目标节点的预测结果。