1.一种基于卷积神经网络的红酒推荐方法，其特征在于，具体步骤如下：(1)获取到红酒评论数据，对不同种类红酒口感评论进行分词，提取特征，建立不同红酒口感类别的标签，建立文本数据集W1；

(2)搭建深度学习CNN卷积神经网络模型；

(3)通过循环调节M模型中的超参数，使用已经提取的不同种类红酒口感的特征词，具体包括：

(3.1)定义D1为待处理文本数据，D1＝{Name1,Text1}；其中Name1和Text1分别为口感标签和评价内容；

(3.2)定义循环变量i1＝32来遍历CNN文本分类中的超参数，词向量维度即embedding‑dim，卷积核数目即num_filters，全连接层神经元即hidden‑dim，设置梯度变量为10；

(3.3)当32<＝i1<＝503时执行步骤(3.4)，否则执行步骤(3.16)；

(3.4)定义循环变量k，并且初始值为k＝1；

(3.5)将红酒文本分批，每批包含64个文本；

(3.6)当k<＝20时执行步骤(3.8)，否则执行步骤(3.7)；

(3.7)i1＝i1+10；

(3.8)将训练集文本W4中的内容构建词汇表W5，读取词汇表中内容；

(3.9)将序列化文本中的超参数序列长度、分类数、学习效率、词向量维度、卷积核数目、全连接层神经元输入，再将W5经处理所获得的词向量集合W3映射得到W6；

(3.10)经过卷积层，再经过以tanh函数为激活函数的神经网络，得到W7；

(3.11)W7经过池化层Maxpooing和三层连接的压平卷积，得到W8；

(3.12)最后经过全连接层和以ReLU为激活层的神经网络，得到W9；

(3.13)计算每个类的交叉熵损失，给定分数和正确的输入标签；

(3.14)利用优化器Adam，计算得到的梯度来更新梯度，经过偏置校正后，每一次迭代学习效率确定准确范围，进而更新参数；

(3.15)k＝k+1；

(3.16)模型训练完毕；

(4)训练的模型用于红酒推荐。

2.根据权利要求1所述的一种基于卷积神经网络的红酒推荐方法，其特征在于，所述步骤(1)中建立文本数据集W1的具体步骤如下：(1.1)设原始文本的数据集W1＝{X1n,X2n,…,Xmn}，其中m代表为多少种红酒口感的类别，n表示多名人士对不同红酒的评价；

(1.2)定义T为单个文本信息集，N为单个文本标签，C为单个文本的内容，并且满足关系T＝{N,C}；

(1.3)定义W1,W2分别为文本数据集和文本标签数据集，定义a为文本数据集中的数据总量，W1＝{T1,T2,T3,…,Ta}，W2＝{N1,N2,…Na}，其中Tm为W1中第m个文本标签信息数据，Nm为W2中第m个文本标签，其中m∈[1,a]；

(1.4)对原始W1中的每一条文本进行序列化，由词序列中的元素转化为词向量集合W3，再构建词汇表，添加一个来将所有文本pad为同一长度；

(1.5)构建词汇索引并将每个单词映射到所属的整数，表示词汇量大小；每个句子都成为整数的向量。

3.根据权利要求1所述的一种基于卷积神经网络的红酒推荐方法，其特征在于，所述步骤(2)中搭建深度学习CNN卷积神经网络模型的具体步骤如下：(2.1)将词向量层的词向量通过三层卷积层，三层tanh激活层，三层最大池化层分别对

3个，4个和5个单词进行3*num_filters即卷积核数目过滤，以获得总共过滤器，继续经过三次压平卷积；

(2.2)最后三层连接全连接层以及tanh激活层；

(2.3)设置交叉熵函数作为神经网络的损失函数，设置Adam为优化器；

(2.4)设置学习效率为1e‑3,dropout保留比例为0.5，批训练数量为100，总迭代轮次为

20；

(2.5)多种类别概率。

4.根据权利要求1所述的一种基于卷积神经网络的红酒推荐方法，其特征在于，所述步骤(4)中训练模型用于红酒推荐的具体步骤如下：(4.1)获取到红酒评论数据，提取红酒评论分词，提取特征词；

(4.2)将提取出来的红酒特征序列化得到词向量，放到训练好的模型中；

(4.3)获得推荐的红酒以及使模型训练效果增强的超参数。