1.一种融合情感计算和网络众包的并行推荐方法，其特征在于：包括以下步骤：S1：研究用户表情识别分析，提出基于深度学习的表情识别方法，输出用户表情类别；

S11：建立层次化特征分析框架；

S12：用户特征分析层：基于层次化分析框架的用户特征分析和半监督聚类方法；

S2：基于心理学模型，研究用户心理特征，进而分析和识别用户的意图，并研究符合该用户意图推荐算法的构建方法；

S21：兴趣度模型的构建；

S22：推荐算法的产生：融合用户意图和网络众包的推测算法；

S3：基于推测多线程技术，研究推荐算法的推测并行化，在Spark平台上实施，实现实时有效地响应用户真正需求，给用户推荐其当前最感兴趣的项目；

S31：控制流程图的生成；

S32：推荐算法推测并行化：基于算法分析和推测多线程技术。

2.根据权利要求1所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述步骤S11中，所述层次化特征分析框架包括6层，即用户信息层、用户特征分析层、心理特征挖掘层、意图检测层、兴趣模型层和推荐列表层；其中，所述用户信息层包括个人特征和社交网络，所述用户特征分析层包括表情识别和社交关系分析，所述兴趣模型层为用户兴趣模型，所述推荐列表层为推荐列表。

3.根据权利要求2所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述意图检测层包括：个人特征、表情分析、心理状态挖掘和用户意图检测。

4.根据权利要求2所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：在用户信息层，提取用户的特征信息，包括：表情特征和社交网络特征；在用户特征分析层，研究基于深度学习方法的表情识别和基于社交网络的社交活动、行为分析以及关系数据分析；在意图检测层，研究用户心理-意图的转化，深度挖掘用户意图；在兴趣模型层，以目标用户意图为导向，采用网络众包方法反馈众包用户的兴趣点，构建目标用户的兴趣模型；在推荐列表层，针对目标用户的兴趣点，实施最符合其兴趣的项目推荐，并基于算法设计与分析理论，完成推荐算法的设计与实现。

5.根据权利要求1所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述步骤S12包括：

A1：针对社交网络应用场景，分析目标用户的表情和社交网络特征，融合深度学习方法和情感计算理论，研究构建涵盖上述六个层次的层次化特征分析框架，建立用户表情-心理-意图的目标模式，获取目标用户当前的心理；

A2：基于心理学理论和情感计算理论挖掘出用户当前意图，意图用公式(1)表示，其中I,N,C,F,R分别表示目标用户意图、项目的名称、项目类别、项目特征、项目范围；

I＝＜N,C,F,R＞        (1)

A3：采用统计学分析方法，基于用户的历史行为分析，概括出用户点击、检阅、下载和评论四个显式反馈要素，构建由时间T(Time)、地点A(Address)、心理M(Mentality)、意图I(Intention)、点击次数C(Click)、检阅次数R(Review)、下载次数D(Download)和评阅次数C(Comment)构成的八元组用户特征序列，即；

A4：基于用户八元组特征序列，利用相似度计算方法、完成目标用户和社交用户之间相似度的计算，构建相似度矩阵；研究相似度阈值设定方法，基于相似度矩阵利用半监督聚类发掘和目标用户相似的用户，设定他们为众包用户；设定众包任务为筛选感兴趣项目，以目标用户意图为导向，实施符合用户意图的任务分发。

6.根据权利要求1所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述步骤S22包括：

A1：基于用户特征分析的八元组序列和用户意图的四元组表示，利用潜在狄利克雷分布模型(LDA)，设计目标用户的兴趣模型；

A2：利用社交用户兴趣点的众包收集、审核，完成目标用户的兴趣模型的训练和验证：(a)统计众包用户的项目选择历史记录；(b)根据用户对项目的各项评分，研究用户对项目的总评分计算方法；(c)根据项目的评分大小，对项目进行排序；(d)指定topN项目即为该众包用户完成的任务；(e)审核各个众包用户的任务，设计优先排序方法，从而找出目标用户的兴趣，即选择出的优先项目；

A3：基于用户特征八元组序列，设计推荐算法的输入参数和项目聚类、计算评分、计算用户间相似度和项目排序等模块；基于算法分析和设计理论，完成推荐算法的设计与实现。

7.根据权利要求1所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述步骤S32包括：

A1：研究形式化的算法分析方法，分析推荐算法中依赖关系；基于算法的控制流、数据流分析，提出推荐算法模块划分方法，研究在推荐算法控制流图(CFG)基础上的模块划分，及面向社交大数据环境中推荐算法划分规则的总结；

A2：基于推测多线程技术，构建包含推荐激发函数、推荐划分函数、推荐执行函数、推荐重启函数、推荐撤销函数、推荐值预测函数等在内的推测函数集；基于推荐算法模块间依赖关系的分析，完成推荐算法模块间值预测函数的设计；基于推测函数集和推测规则集，在Apache Spark平台上，构建基于Python语言的编程模型；

A3：研究在Numba上部署推测函数库，运用分布式平台Spark实现推荐算法的推测并行化。