1.一种基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，包括以下步骤：获取用户点击浏览历史行为数据，进行分类预处理后得到用户行为的输入向量；

根据用户行为输入向量，采用构建好的DeepAFM模型，生成用户行为特征向量；

根据DeepAFM模型生成的用户行为特征向量，分别学习用户低阶和高阶特征隐含向量和特征权重；

通过向量拼接将高阶特征隐含向量和低阶特征隐含向量组合，得到用户行为隐含向量；

根据用户行为隐含向量和特征权重预测用户对课程的点击率；

将预测得到的点击率高的课程推荐给用户，得到每个用户的个性化课程推荐列表。

2.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，进行分类预处理后得到用户行为的输入向量，具体为：拆分稀疏和稠密特征；

将类别特征one‑hot编码，连续数据先离散化再one‑hot编码；

获取用户和课程的输入向量。

3.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，构建DeepAFM模型，利用DeepAFM模型的embedding层生成用户行为特征向量，具体为：根据用户行为输入向量，引入一个嵌入层来将输入向量使用Dense embedding的方法压缩到低维稠密向量，同时编码低阶组合特征和高阶组合特征所需要的信息，最终获得用户行为特征向量。

4.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，学习用户低阶特征隐含向量和特征权重，具体为：DeepAFM模型的AFM部分将每个wij用隐含向量的内积表示，对AFM部分进行训练，得到用户低阶特征隐含向量；

根据低阶特征组合，对低阶组合特征使用注意力机制，获取用户常见重要喜好特征。

5.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，学习用户高阶特征隐含向量和特征权重，具体为：DeepAFM模型的Deep部分为全连接神经网络，利用多层神经元结构来构建非线性特征变换，建立用户隐含表示信息以及其点击信息的联合函数，获取用户特征的隐含向量；

通过Deep部分刻画用户行为特征高维组合，得到用户罕见但是可能的喜好内容。

6.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，根据用户行为隐含向量预测用户对课程的点击率，具体为：通过全连接层将用户隐含向量与样本权重矩阵相乘加上偏置，经过Sigmod函数将预测得分映射到(0，1)之间，计算公式为：其中， 是用户的预测点击率，yAFM是AFM模型的输出，yDNN是DNN部分的输出。

7.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，将预测得到的点击率高的课程推荐给用户，得到每个用户的个性化课程推荐列表，具体为：通过用户预测得分获取用户喜好内容；

通过用户喜好内容和可能点击的课程，将预测点击率按由高到低，取合适数量形成个性化课程推荐列表。

8.一种基于眼动技术和深度学习的个性化课程推荐系统，其特征在于，包括：预处理模块，被配置为：获取用户点击浏览历史行为数据，进行分类预处理后得到用户行为的输入向量；

用户行为特征向量生成模块，被配置为：根据用户行为输入向量，采用构建好的DeepAFM模型，生成用户行为特征向量；

用户行为隐含向量生成模块，被配置为：根据DeepAFM模型生成的用户行为特征向量，分别学习用户低阶和高阶特征隐含向量和特征权重，通过向量拼接将高阶特征隐含向量和低阶特征隐含向量组合，得到用户行为隐含向量；

课程推荐模块，被配置为：根据用户行为隐含向量和特征权重预测用户对课程的点击率；将预测得到的点击率高的课程推荐给用户，得到每个用户的个性化课程推荐列表。

9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1‑

7任一项所述的基于眼动技术和深度学习的个性化课程推荐方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑7任一项所述的基于眼动技术和深度学习的个性化课程推荐方法中的步骤。