1.一种协同过滤物品推荐方法，其特征在于，该方法包括如下步骤：步骤1：建立m×n用户‑物品评分矩阵A步骤2：学习n×n物品‑物品相似度矩阵W步骤3：将矩阵W分解为矩阵P和矩阵Q步骤4：根据如下公式预测用户u对物品j的评分：其中，βj为物品j的偏差， 为用户u点击、购买过物品的集合，α为权重因子，Pj′为物品j′的潜在向量，Pi为物品i的潜在向量，i为用户u最近点击、购买的一个物品，Qj为物品j的潜在向量，η和ηu分别为全局权重向量和个性化权重向量，θu为用户u的视觉因子向量，E为嵌入矩阵，将深度卷积神经网络特征空间嵌入到视觉空间，β′为视觉偏差向量，fj为物品j的深度卷积神经网络视觉特征向量；

步骤5：使用训练集训练模型，然后在测试集上检验推荐的准确度。

2.如权利要求1所述的一种协同过滤物品推荐方法，其特征在于，所述步骤2中，学习n×n物品‑物品相似度矩阵W的过程为将下式最小化：从而满足wj≥0，wj,j＝0；

其中wj是矩阵W的第j列，aj是矩阵A的第j列，“‖‖2”是向量的L2范数，‖wj‖1等于

3.如权利要求1或2所述的一种协同过滤物品推荐方法，其特征在于，所述步骤4中，fj是用应用了深度卷积神经网络架构的Caffe模型得到的。

4.如权利要求1或2所述的一种协同过滤物品推荐方法，其特征在于，所述步骤5中，训练模型使用的方法是随机梯度下降法,检验指标为AUC值。