1.一种基于评论者可信赖度回归预测的商品评论推荐方法，其特征在于，包括以下步骤：提取评论者可信赖度的相关属性特征，并根据各个评论者属性特征的计算公式计算评论者属性特征值；所述评论者可信赖度的相关属性特征包括：评论者的每两个评论的长度差dif_len，同一评论者相同评论的数目num_same_com，评论相同星级的数目num_same_star，每个评论者的评论关键词与网站提供的关键字标签的不同信息dif_tag，不同星级的分数dif_star_score，评论者r的每条评论i中有用的词useful_word，不同的关键词dif_keyword，一个评论者对一个商品的评论数量num_com，评论者对同一商品的评分次数num_star，评论者上传的图片数num_img；

评论者的每两个评论的长度差dif_len的计算方式包括：

其中，(i，j)表示评论对，len(i)表示评论i的长度，len(j)表示评论j的长度， 表示评论者n条评论的组合，n表示评论者的评论总数；

每个评论者的评论关键词与网站提供的关键字标签的不同信息dif_tag的计算方式包括：其中，num_key_wordi‑num_tagp表示将每条评论的关键词与网站上提供的关键字标签进行比较，p表示商品；

不同星级的分数dif_star_score的计算方式包括：

其中，scorei表示评论i的分数，scorep表示网站提供的商品p的分数；

评论者r的每条评论i中的有用的词的计算方式包括：

其中，num_useful_wordi表示评论者r的每条评论i的有用的词的数量；

不同的关键词的计算方式包括：

其中，num_keyword(i，j)表示评论i和评论j共同拥有的相同关键字个数，max_num_keyword(i，j)取评论i和评论j中，拥有的关键字个数最多的数值；

根据计算出的评论者属性特征值，利用回归算法构建预测评论者可信赖得分模型，将计算出的评论者属性特征值代入预测评论者可信赖得分模型中得到评论者的可信赖分数；

提取评论排序相关的有效指标，并根据各个评论有效指标的计算公式计算评论的有效指标值；

根据计算的评论有效指标值和评论者可信赖度分数，利用LambdaMART构建评论排序模型，根据评论排序模型计算并得到评论的最终排名；

根据评论的最终排名将评论按照排名次序进行排列，优先推荐排列靠前的评论。

2.根据权利要求1所述的一种基于评论者可信赖度回归预测的商品评论推荐方法，其特征在于，所述评论排序相关的有效指标包括：评论者的可信赖度、评论中的关键词与商品基本信息的相似度、评论中与其他评论的不同信息、评论日期。

3.根据权利要求1所述的一种基于评论者可信赖度回归预测的商品评论推荐方法，其特征在于，所述利用回归算法构建预测评论者可信赖得分模型包括：r_scorei＝β0+β1fi1+β2fi2+...+βpfip+εii＝1，2，...，k其中，β0为常数项，β1、β2、βp为解释变量的斜率系数，fi1、fi2、fip分别表示评论者i各特征属性f1、f2、fp的值，εi表示偏差，k表示评论者的数量。

4.根据权利要求1所述的一种基于评论者可信赖度回归预测的商品评论推荐方法，其特征在于，评论排序模型采用LambdaMART构建，若某商品的所有评论共n条，从所有评论中提取任意两条评论ci、cj组成评论对，评论对共有 种可能的组合，对于每一个评论对cij，计算评论ci排在评论cj前的概率pij作为评论排序模型，评论排序模型的输出为评论ci的排名si和评论cj的排名sj，评论排序模型的表达式如下：其中，Pij＝P(ci＞cj)表示评论ci排在评论cj之前的概率，参数σ决定sigmoid函数的形状。