1.一种基于广度学习和深度学习的混合推荐方法，其特征在于，包括：

S1、推荐对象根据张量分解算法从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵，再对用户、推荐对象和标签的特征矩阵进行特征匹配，得到张量分解的第一预测评分；

S2、采用循环神经网络提取用户特征和标签特征，采用文本卷积网络提取推荐对象名特征，将标签特征和推荐对象名特征输入BP神经网络的全连接层，得到推荐对象的目标特征，将用户特征和推荐对象的目标特征进行特征匹配，得到深度学习的第二预测评分；

S3、将第一预测评分和第二预测评分进行融合，得到最终预测评分并输出。

2.根据权利要求1所述的基于广度学习和深度学习的混合推荐方法，其特征在于，步骤S1，具体为：通过Tucker分解模型从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵；

Tucker分解模型为： 其中，Yijk为目标张量，Uip、Tjq、Ikr分别为用户、推荐对象和标签的特征矩阵，P、Q、R分别为各个矩阵对应的阶数，Sijk为核心张量，表示各个维度上的潜在相互关系；

计算Xijk≈∑pqrSijk×Uip×Tjq×Ikr，得到近似表示张量Xijk作为张量分解的第一预测评分。

3.根据权利要求1所述的基于广度学习和深度学习的混合推荐方法，其特征在于，步骤S2中，所述将用户特征和推荐对象的目标特征进行特征匹配，具体包括：根据联合训练法将用户特征、标签特征和推荐对象的目标特征进行匹配，将用户特征、标签特征和推荐对象的目标特征作为输入传入全连接层，得到输出值，再将输出值进行逻辑斯蒂回归得出预测评分概率值，根据Adam算法作为深度学习部分的优化策略，取深度学习后概率最高值所对应的评分等级，作为深度学习的第二预测评分；

深度学习模型预测评分计算公式为：

yDeep＝argmaxP(y|x)；

其中，y为评分等级，分别对应1-5个评分等级，P(y|x)为各个预测评分等级的概率值，其中x为待推荐对象， 和 分别代表用户模型和推荐对象的目标模型所对应的权重值和输入值的乘积，其中 和 的权重值为预设值，b为偏移量，取P(y|x)概率最高值所对应的评分等级，作为深度学习的第二预测评分yDeep。

4.根据权利要求1所述的基于广度学习和深度学习的混合推荐方法，其特征在于，步骤S3，具体为：将第一预测评分和第二预测评分相加，根据线性回归模型得到最终预测评分并输出，所述预测模型为：yscore＝w1yTD+w2yDeep+b，其中，yscore∈[0,5]为最终综合评分，yTD为第一预测评分，yDeep为第二预测评分，w1和w2分别为预设的第一预测评分和第二预测评分的权重，b为预设的偏移量。

5.根据权利要求1所述的基于广度学习和深度学习的混合推荐方法，其特征在于，步骤S3，具体为：将第一预测评分和第二预测评分相加，通过逻辑斯蒂回归函数转化成概率，再取概率最大时对应的分值作为最终预测评分并输出，所述预测模型为：s2＝yTD+yDeep；yscore＝argmaxP(y|x)，其中，yscore∈[0,5]为最终综合评分，P(y|x)概率值，yTD为第一预测评分，yDeep为第二预测评分。