1.基于高斯嵌入表示技术的上下文感知推荐方法，包括如下步骤：

10.收集用户的上下文感知行为记录以及物品的属性；

20.利用高斯嵌入表示技术从收集的数据中学习用户的兴趣向量表示、物品的特征向量表示；

30.基于学习得到的兴趣和特征向量实施推荐。

2.根据权利要求1所述的基于高斯嵌入表示技术的上下文感知推荐方法，其特征在于，其中步骤10包括：

101.收集所有用户的行为记录并表示为“用户-物品-上下文”三元组集合：R＝{(u，i，c)|用户u与物品i在上下文c下存在交互记录}，U＝{u1，u2，...，u|U|}为数据集中所有|U|个用户的集合，I＝{i1，i2，...，i|I|}为所有|I|个物品的集合；

102.收集物品集合I中所有物品的属性数据A，包括物品类别、物品标签，其中物品i的属性表示为

3.根据权利要求1所述的基于高斯嵌入表示技术的上下文感知推荐方法，其特征在于，步骤20包括：

201.物品im及其属性ak之间的归属关系建模为高斯概率密度函数乘积的积分：其中： 表示符合均值和协方差分别为μ和∑的高斯分布的向量x，和 是物品im的特征向量均值和协方差矩阵， 和 是属性ak的特征向量均值和协方差矩阵，上述协方差矩阵均为对角矩阵，定义为∑＝diag(σ)，其中是协方差矩阵对角位置上的元素向量；

202.同理，根据所有用户的行为记录，用户ul在上下文cn下与物品im之间的交互记录建模为：其中： 和 是用户ul的特征向量均值和协方差矩阵， 是上下文cn的转换向量， 和 是物品im的特征向量均值和协方差矩阵，上述协方差矩阵均为对角矩阵；

202.根据上述公式，建立以下目标函数O，通过最大化目标函数O，学习得到物品、属性、用户的高斯特征向量表示以及上下文的转换向量：O＝Ouic+Oia

其中：Ouic和Oia分别为交互目标函数和属性目标函数；Ouic的定义如下：其中：是正样本(u，i，c)和负样本(u，i′，c)分离的间隔；同理，Oia的定义如下：其中：ω是正样本(i，a)和负样本(i，a′)分离的间隔；通过最大化目标函数O，学习得到模型中的参数值，包括物品i的特征向量均值 和协方差矩阵 属性ak的特征向量均值 和协方差矩阵 用户ul的特征向量均值 和协方差矩阵 以及上下文c的转换向量vc。

4.根据权利要求1所述的基于高斯嵌入表示技术的上下文感知推荐方法，其特征在于，步骤30包括：

301.根据学习得到的高斯特征向量表示，目标用户u在上下文c下对物品i的兴趣用高斯密度函数乘积的积分表示，具体如下：其中， 和 是用户u的特征向量均值和协方差矩阵，vc是上下文c的转换向量， 和 是物品im的特征向量均值和协方差矩阵；

302.利用上述公式的计算结果对所有候选物品进行排序，把前若干个物品推荐给目标用户u。