1.一种基于超图结构的社交网络推荐模型构建方法，其特征在于，所述方法包括如下步骤：S1、基于社交网络中的用户-项目评分矩阵构建以项目为中心的超图及以用户为中心的超图；

S2、基于所述项目为中心的超图及所述以用户为中心的超图确定用户的邻居用户和项目的邻接项目，计算用户评价相似度，项目特征相似度及用户特征相似度；

S3、在矩阵因子分解模型的基础上，融入所述用户评价相似度、所述用户特征相似度和所述项目特征相似度，获取目标函数；

S4、对所述目标函数采用随机梯度下降算法，可迭代求出用户潜在因子矩阵及项目潜在因子矩阵；

S5、基于所述用户潜在因子矩阵及所述项目潜在因子矩阵预测用户对项目的评分，向用户推荐预测评分最高的项目。

2.如权利要求1所述的基于超图结构的社交网络推荐模型构建方法，其特征在于，所述S3具体包括如下步骤：S31、设定用户潜在因子的概率分布及项目潜在因子的概率分布满足零均值高斯先验，构建所述矩阵因子分解模型；

S32、在所述用户潜在因子的概率分布基础上融入所述用户评价相似度，基于给定的定邻居用户潜在因子得到第一目标用户潜在因子条件概率分布；

S33、在所述用户潜在因子的概率分布基础上融入所述用户特征相似度，基于给定的邻居用户特征得到第二目标用户潜在因子条件概率分布；

S34、在所述项目潜在因子的概率分布基础上融入所述项目特征相似度，基于给定的邻接项目特征得到目标项目潜在因子条件概率分布；

35、在所述矩阵因子分解模型的基础上，结合所述第一目标用户潜在因子条件概率分布、所述第二目标用户潜在因子条件概率分布及所述目标项目潜在因子条件概率分布，通过贝叶斯定理推理获取推导公式；

S36、利用凸优化理论对所述推导进行求对数，即可以得到所述目标函数。

3.如权利要求1所述的基于超图结构的社交网络推荐模型构建方法，其特征在于，采用公式 预测所述用户对项目的评分，其中 为所有用户评分平均值，是根据用户-项目评分矩阵R计算出来的均值， 是推荐模型预测评分，T为矩阵转置,Pi为用户潜在因子矩阵，Qj为项目潜在因子矩阵。

4.如权利要求1所述的基于超图结构的社交网络推荐模型构建方法，其特征在于，所述用户评价相似度的计算公式如下：其中，Sim_C(ui,uj)简记为SCij，即为用户评价相似度， 其中Ic是用户ui评价过的项目集合，若 则将 赋值为0，而dik为用户ui对项目sk的评价贡献，dik的定义为：其中，Rik＝Rank(ui,sk)为用户ui对项目sk的评价，即为用户对项目提供的服务进行等级评定。

5.如权利要求1所述的基于超图结构的社交网络推荐模型构建方法，其特征在于，所述项目评价相似度用特征向量的余弦相似度表示，所述项目评价相似度的计算公式如下：将Sim_S(si,sj)简记为SSij，即为项目特征相似度， 及为项目sj和项目si的特征向量，k表示项目特征的维度。

6.如权利要求1所述的基于超图结构的社交网络推荐模型构建方法，其特征在于，所述项目评价相似度用特征向量的余弦相似度表示，所述项目评价相似度计算公式如下：将Sim_U(ui,uj)简记为SUij，即为用户特征相似度，其中， 及为用户ui及用户uj的特征向量，k表示用户特征的维度。