1.一种基于门控循环单元神经网络的主动学习协同过滤方法，用于对用户感兴趣的商品的自动推荐，其特征在于，包括：获取用户评分数据集，将其用户对商品评分矩阵转化为成时间序列数据，并设置对应的门控循环单元神经网络结构；

采用改进MinRating主动学习算法动态采样数据，主动选择合适的训练集，输入用户的时间序列数据到门控循环单元神经网络输入层进行训练，并将门控循环单元神经网络输出与目标值进行损失计算，根据迭代算法adma进行参数的更新；

利用训练得到的神经网络模型进行协同过滤推荐，实现TopN推荐；

所述数据集中包括用户a、商品b、用户a对商品b的评分ra,b和用户a对商品b的评分时间Ta,b；

所述获取用户评分数据集，将其用户对商品评分矩阵转化为成时间序列数据，具体包括：采用以用户为单位时序化方法，按时间升序排序用户对商品评分；对于每一个用户，从一行评分数据转换成一条按评分时间排序的数据；

按评分时间排序的数据的数据格式如下：

用户u、评分 评分 ...、评分

其中，k表示用户评分商品数目，u表示用户ID，Ik表示用户u按时间顺序第k个评分的商品ID；

采用改进MinRating主动学习算法动态采样数据，主动选择合适的训练集，具体包括：采用改进MinRating策略进行主动学习，每次选取门控循环单元的Top1推荐中置信度最低的用户；假设门控循环单元给出用户u对物品i的喜好预测值为Oui，则主动学习算法主动挑选的用户如下：其中，uk表示第k个用户，ij表示第j个项目，k＝1,2...,j＝1,2,...；Top1表示每名用户推荐项目中置信度最高的项目；

所述门控循环单元神经网络输出为经softmax归一化后的用户u对物品i的兴趣度预测值pu,i，softmax归一化公式表示如下：其中，yk表示神经网络输出层代表物品i的节点输出值，n表示输出层节点数，即用户u评价项目数；

所述设置对应的门控循环单元神经网络结构，包括：

通过对门控循环单元神经网络设置不同超参数得到的神经网络模型的推荐结果的短时预测准确率、召回率、项目覆盖数和用户覆盖率进行比较，得到最合适的超参数；各指标表示如下：短时预测成功率：

召回率：

项目覆盖数：ItemCoverage＝|Uu∈U(R(u)∩T(u))|用户覆盖率：

其中，R(u)是基于门控循环单元神经网络的主动学习协同过滤方法给出的对于用户u的TopN推荐列表，T(u)是用户u在测试集上的行为列表，用户集合为U，项目集合为I，I(·)是试性函数，I(true)＝1，I(false)＝0。

2.根据权利要求1所述的基于门控循环单元神经网络的主动学习协同过滤方法，其特征在于，采用改进MinRating主动学习算法动态采样数据，主动选择合适的训练集，输入用户的时间序列数据到门控循环单元神经网络输入层进行训练，包括：随机选取500名用户的评分数据进行训练，后用训练得到的模型用改进MinRating策略选择10名用户加入到下一轮的模型训练。