1.一种融合用户行为信息的餐馆推荐方法，其特征在于，所述方法包括以下步骤：S1：根据用户历史就餐数据，构建用户就餐行为序列网络；

S2：使用DeepWalk算法，对用户就餐行为序列网络节点进行表征学习；

S3：结合用户历史就餐行为，重构用户就餐行为成本特征；

S4：将用户评分数据与行为成本特征，并行地用于构建餐馆推荐模型；

所述步骤S3中，重构用户就餐行为成本特征，每个餐馆都有一组地理位置‑口味标签(c,t)，将各餐馆的地理位置c对应的网络表征向量wc与口味标签t对应的网络表征向量wt合并为一个一维向量，记作[wc,wt]，Yelp用户就餐行为相关的餐馆序列记为{S1,S2,…,Sn}，其中Si表示该用户在第i次就餐行为所去的餐馆， 表示该餐馆所在的地理位置， 表示该用户在第i次就餐时的一种口味标签，那么该用户就餐行为序列所对应的餐馆表征向量表示为：

它表征该用户的就餐行为向量轨迹，将上式的均值向量定义为该Yelp用户的就餐兴趣中心点，其计算方式如下：

定义用户每次就餐行为的成本系数r′：其中，函数 表示向量 与 之间的欧氏距离。

2.如权利要求1所述的一种融合用户行为信息的餐馆推荐方法，其特征在于，所述步骤S1中，构建用户就餐行为序列网络，根据用户历史就餐行为时间序列{S1,S2,…,Sn}，将用户在序列的第i个时刻对餐馆Si的就餐评分令为Ri，定义Q0为有限穿越视距，如果时间序列中任意两个点(Sa,Ra)、(Sb,Rb)之间的水平方向可视距离相隔Q个点，在这两点之间存在Q1:0＜Q1＜Q0个点满足：

Ri＞Ra或Ri＞Rb,a＜i＜b，且另外Q‑Q1个点满足：

Ri≤Ra且Ri≤Rb,a＜i＜b，则对应两点(Sa,Ra)、(Sb,Rb)在网络中，节点Sa与节点Sb存在一条连边，分别根据由其中餐馆口味标签、地理位置标签构成的用户就餐行为序列，构建两种不同类型标签为节点的用户就餐行为序列网络。

3.如权利要求1或2所述的一种融合用户行为信息的餐馆推荐方法，其特征在于，所述步骤S2中，分别对步骤S1得到的两类属性节点组成的用户就餐行为序列网络，进行网络节点表征学习，使用DeepWalk网络节点表征学习算法，提取网络中各个节点的向量表示，其学习过程如下：

DeepWalk算法首先以网络中每个节点作为起点，进行随机游走，然后合并各次随机游走的结果作为一整个随机游走序列，假设在网络G(V,E)生成的由节点V组成的随机游走序列中，将节点vi的左右两侧窗口区间为d的一组序列表示为vi‑d,…,vi‑1,vi+1,…,vi+d，Skip‑Gram模型要求以节点vi为中心所产生的这组两侧序列的概率最大化，即可以通过当前节点来推测出周围节点，其目标函数表示为：其中概率函数p(vi+j|vi)根据如下公式计算得：公式中的wv、w′v分别表示为节点v的输入向量与输出向量。

4.如权利要求1或2所述的一种融合用户行为信息的餐馆推荐方法，其特征在于，所述步骤S4中，推荐算法融合了用户就餐行为信息，将用户就餐行为的成本系数r′并行地用于构建推荐模型M′，得到在此意义下的用户对未知餐馆的评分估计 通过结合 与 的排序综合结果，最终获得融合信息下的推荐餐馆名单。