1.一种基于深度学习的结合信任和影响力的个性化推荐方法，其特征在于，包括以下步骤：步骤1：构建用户-项目评分矩阵；

步骤2：对数据进行特征提取；

步骤3：对用户-项目已评分矩阵进行计算后得到用户初始直接信任度，使用皮尔逊相关系数度量计算用户相似度，并结合用户交互频率得到用户对项目的偏好度；在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度，并形成用户-用户信任矩阵；

步骤4：利用信任网络中的拓扑结构信息来挖掘社交网络中k个用户节点，使得通过这k个节点产生的影响传播范围最大；

步骤5：构建及训练模型；

步骤6：通过训练好的模型预测用户对未知项目的评分，选择评分高于阈值的的项目产生推荐集。

2.根据权利要求1所述的一种基于深度学习的结合信任和影响力的个性化推荐方法，其特征在于：步骤2具体为，使用自动编码器无监督地学习用户评分行为，将高维、稀疏的用户行为压缩成低维、稠密的用户特征矩阵P、Q及项目特征矩阵X、Y。

3.根据权利要求1所述的一种基于深度学习的结合信任和影响力的个性化推荐方法，其特征在于，步骤3中，对用户-项目已评分矩阵进行计算后得到用户初始直接信任度的计算公式包括：其中，用户u和用户v的初始直接信任度为Init(u,v)，取值为(0,1]；Iu∩Iv表示用户u和用户v已进行过的交互次数，阈值D用来衡量两个用户完全信任对方时的最少交互次数；考虑到每个用户评分数目不一致，对完全信任的标准也可能不同，我们设定每个用户的阈值其中Iu为用户u的已评分项目集合。

4.根据权利要求1所述的一种基于深度学习的结合信任和影响力的个性化推荐方法，其特征在于，步骤3中，使用改进后的皮尔逊相关系数度量用户相似度，计算公式如下：其中，用户u对用户m的相似度为sim(u,m)；ru,i和rm,i分别代表用户u及用户m对项目i的评分；Iu,m集合包含的是用户u、m同时评分过的项目；是用户u评分过的项目对应的评分集合H中元素和的均值，计算如下：同理， 意义同上。

5.根据权利要求1所述的一种基于深度学习的结合信任和影响力的个性化推荐方法，其特征在于，步骤3中，计算用户-项目偏好度的公式如下：其中，用户u对项目c的偏好度为Pre(u,c)；c代表对项目c进行过评分的用户集合，m是Uc中的用户。

6.根据权利要求1所述的一种基于深度学习的结合信任和影响力的个性化推荐方法，其特征在于，步骤3中，我们对用户之间的交互是否成功进行了重新的定义，我们假设若用户u和用户v对项目i的评分都高于用户自身平均评分，就认为这次交互是成功的，反之失败，如下所示：

7.根据权利要求1所述的一种基于深度学习的结合信任和影响力的个性化推荐方法，其特征在于，步骤3中，在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度，再利用设置阈值t的方式过滤掉小于阈值的信任值得出最终的用户-用户信任矩阵的方法，计算最终的直接信任度的公式如下：其中，用户u对用户v最终的直接信任度为T(u.v)；Pre(u,c)为用户u对项目c的偏好度。

8.根据权利要求1所述的一种基于深度学习的结合信任和影响力的个性化推荐方法，其特征在于，步骤4中，利用信任网络中的拓扑结构信息来挖掘社交网络中影响力较大的用户节点的方法包括：其中，C(i)为用来衡量网络节点形成结构洞时所受到的约束，约束越大，节点的影响力越小； 表示信任出度用户，也就是用户i信任的所有用户；p(j,i)描述的是节点j与其他节点直接或间接联系的紧密程度，系数越高代表连接越紧密，形成结构洞所受到的约束越大，计算公式如下：tj为权重因子，计算公式如下：

其中 表示信任入度用户，即信任用户j的所有用户。

9.根据权利要求1所述的一种基于深度学习的结合信任和影响力的个性化推荐方法，其特征在于，步骤5中，构建并训练融合社会化信息的推荐模型，包括：步骤5.1：将数据集采用5-折交叉验证方法，将数据集随即且平均划分为5份，依次选取其中1份作为测试集，剩余4份数据作为训练集；

步骤5.2：对训练集中的用户进行评分预测，方法如下：

其中，用户u对项目i的预测评分为 bi表示i的偏置向量，Ui-u表示除用户u之外对项目i评过分的用户，Iu-i表示除项目i外用户u评过分的所有项目；α，β，z，μ分别控制涉及的项目数量、用户数量、信任用户及影响力用户数量；IU为拥有较大影响力用户集合，即C(i)值较小的节点；pv、qu分别表示用户v与u的特征向量，通过计算内积 来得出两用户的相似性；同理xj、yi分别表示项目j与i的特征向量， 为项目之间的相似性；与前两个不同，表示的是用户w对目标项目i所造成的影响；s为调和参数，代表用户相似性的相对重要性；同理，δ∈[0,1]控制信任入度用户和信任出度用户的权重；

步骤5.3：构建损失函数J：

其中，C代表所有用户； 与 分别代表用户u已评分项目及未评分项目； 表示向量或矩阵的L2范数的平方，即各维度数值的平方和；ru,i和ru,j分别代表用户-项目评分矩阵中用户u对项目i及项目j的评分， 和 则是本次算法计算出的预测评分；P、Q为用户特征矩阵；X、Y代表项目特征矩阵；b为偏置矩阵；

步骤5.4：创建推荐模型：

从损失函数J中获取用户潜在特征矩阵P和项目潜在特征矩阵X的梯度，并利用梯度下降法对损失函数进行训练。