1.一种内容推荐方法，包括：

基于用户信息和候选内容项的内容信息，通过神经网络，生成用户对所述候选内容项的感兴趣数值；并且

响应于所述候选内容项的所述感兴趣数值满足预定条件，控制终端输出所述候选内容项，

其中，所述用户信息包括所述用户的历史兴趣信息，所述历史兴趣信息包括所述用户的历史感兴趣内容项中的每个内容项的第一兴趣特征的值，并且所述候选内容项的所述内容信息包括所述候选内容项的所述第一兴趣特征的值。

2.根据权利要求1所述的方法，其中，所述神经网络包括第一子网络部分，并且所述生成用户对所述候选内容项的感兴趣数值包括由所述第一子网络部分基于所述用户的历史兴趣信息生成用户历史兴趣特征值的序列的低维向量。

3.根据权利要求2所述的方法，其中，所述第一子网络部分包括transformer层，并且基于所述用户的历史兴趣信息生成用户历史兴趣特征值的序列的低维向量包括：使用所述transformer层对用户历史兴趣特征值的序列进行多头注意力编码。

4.根据权利要求2所述的方法，其中，所述神经网络还包括位于所述第一子网络部分之后的第二子网络部分，并且所述生成用户对所述候选内容项的感兴趣数值包括由所述第二子网络部分通过一个或多个隐藏层，基于所述用户信息的向量表示和所述内容信息的向量表示，生成所述用户对所述候选内容项的感兴趣数值。

5.根据权利要求4所述的方法，其中，生成所述用户对所述候选内容项的感兴趣数值的步骤包括：

在接收到对所述用户的推荐请求后，从缓存中读取针对所述用户的用户历史兴趣特征值的序列的低维向量，所述低维向量是由所述第一子网络部分预先计算的；

基于用户信息、候选内容项的内容信息以及所述用户历史兴趣特征值的序列的所述低维向量，使用所述第二子网络部分，生成所述用户对所述候选内容项的感兴趣数值。

6.根据权利要求4所述的方法，其中，所述第二子网络部分在输入端包括拼接层，并且基于所述用户信息的向量表示和所述内容信息的向量表示生成所述用户对所述候选内容项的感兴趣数值包括：通过所述拼接层，将所述用户信息的向量表示和所述内容信息的向量表示进行拼接。

7.根据权利要求1‑6中任一项所述的方法，其中，所述用户信息还包括所述用户的属性信息。

8.根据权利要求1‑6中任一项所述的方法，其中，所述第一兴趣特征是内容项的主题或话题。

9.根据权利要求1‑6中任一项所述的方法，其中，所述历史兴趣信息还包括所述用户的历史感兴趣内容项中的每个内容项的一个或多个其他兴趣特征的值，并且所述候选内容项的所述内容信息包括所述候选内容项的所述一个或多个其他兴趣特征的值，所述一个或多个其他兴趣特征不同于所述第一兴趣特征，并且所述一个或多个其他兴趣特征包括以下各项中的一个或多个：内容项的标题、标签和来源。

10.根据权利要求1‑6中任一项所述的方法，其中，所述候选内容项包括多个内容项，并且其中，响应于所述候选内容项的所述感兴趣数值满足预定条件控制终端输出所述候选内容项包括：

按照感兴趣数值的降序，控制终端输出所述多个内容项中满足预定条件的内容项。

11.根据权利要求1‑6中任一项所述的方法，其中，所述用户的历史感兴趣内容项包括所述用户对其做出过正向交互行为的内容项。

12.根据权利要求1‑6中任一项所述的方法，其中，所述神经网络是通过以下步骤进行训练的：

获取多个用户信息与内容项信息的关联对作为样本集合，其中用户与感兴趣内容项的关联对被标记为正样本，并且其中用户与不感兴趣内容项的关联对被标记为负样本；并且使用所述样本集合来训练所述神经网络，其中，所述多个用户信息中的每个用户信息包括用户的历史兴趣信息，所述历史兴趣信息包括所述用户的历史感兴趣内容项中的每个内容项的所述第一兴趣特征的值，并且所述内容信息包括内容项的所述第一兴趣特征的值。

13.一种内容推荐装置，包括：

兴趣计算单元，所述兴趣计算单元包括神经网络，所述兴趣计算单元被配置成推荐基于用户信息和候选内容项的内容信息，通过所述神经网络，生成用户对所述候选内容项的感兴趣数值；以及

内容输出单元，所述内容输出单元被配置成响应于所述候选内容项的所述感兴趣数值满足预定条件，控制终端输出所述候选内容项，其中，所述用户信息包括所述用户的历史兴趣信息，所述历史兴趣信息包括所述用户的历史感兴趣内容项中的每个内容项的第一兴趣特征的值，并且所述候选内容项的所述内容信息包括所述候选内容项的所述第一兴趣特征的值。

14.根据权利要求13所述的装置，其中，所述兴趣计算单元包括所述神经网络的第一子网络单元，所述第一子网络单元被配置成基于所述用户的历史兴趣信息生成用户历史兴趣特征值的序列的低维向量。

15.根据权利要求14所述的装置，其中，所述第一子网络单元包括transformer层，所述transformer层被配置成对用户历史兴趣特征值的序列进行多头注意力编码以生成用户历史兴趣特征值的序列的低维向量。

16.根据权利要求14所述的装置，其中，所述兴趣计算单元还包括所述神经网络的第二子网络单元，所述第二子网络单元位于所述第一子网络单元之后，并且所述第二子网络单元被配置成通过一个或多个隐藏层，基于所述用户信息的向量表示和所述内容信息的向量表示，生成所述用户对所述候选内容项的感兴趣数值。

17.根据权利要求16所述的装置，其中，所述兴趣计算单元还包括缓存读取单元，所述缓存读取单元被配置成接收到对所述用户的推荐请求后，从缓存中读取针对所述用户的用户历史兴趣特征值的序列的低维向量，所述低维向量是由所述第一子网络单元预先计算的；并且

所述第二子网络单元还被配置成：基于用户信息、候选内容项的内容信息以及所述用户历史兴趣特征值的序列的所述低维向量，生成所述用户对所述候选内容项的感兴趣数值。

18.根据权利要求16所述的装置，其中，所述第二子网络单元在输入端包括拼接层，所述拼接层用于将所述用户信息的向量表示和所述内容信息的向量表示进行拼接。

19.根据权利要求13‑18中任一项所述的装置，其中，所述用户信息还包括所述用户的属性信息。

20.根据权利要求13‑18中任一项所述的装置，其中，所述第一兴趣特征是内容项的主题或话题。

21.根据权利要求13‑18中任一项所述的装置，其中，所述历史兴趣信息还包括所述用户的历史感兴趣内容项中的每个内容项的一个或多个其他兴趣特征的值，并且所述候选内容项的所述内容信息包括所述候选内容项的所述一个或多个其他兴趣特征的值，所述一个或多个其他兴趣特征不同于所述第一兴趣特征，并且所述一个或多个其他兴趣特征包括以下各项中的一个或多个：内容项的标题、标签和来源。

22.根据权利要求13‑18中任一项所述的装置，其中，所述候选内容项包括多个内容项，并且其中，所述内容输出单元还被配置成：按照感兴趣数值的降序，控制终端输出所述多个内容项中满足预定条件的内容项。

23.根据权利要求13‑18中任一项所述的装置，其中，所述用户的历史感兴趣内容项包括所述用户对其做出过正向交互行为的内容项。

24.根据权利要求13‑18中任一项所述的装置，其中，所述神经网络是通过以下步骤进行训练的：

获取多个用户信息与内容项信息的关联对作为样本集合，其中用户与感兴趣内容项的关联对被标记为正样本，并且其中用户与不感兴趣内容项的关联对被标记为负样本；并且使用所述样本集合来训练所述神经网络，其中，所述用户信息包括用户的历史兴趣信息，所述历史兴趣信息包括所述用户的历史感兴趣内容项中的每个内容项的所述第一兴趣特征的值，并且所述内容信息包括内容项的所述第一兴趣特征的值。

25.一种计算设备，包括：

处理器；以及

存储程序的存储器，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1‑12中任一项所述的内容推荐方法。

26.一种存储程序的计算机可读存储介质，所述程序包括指令，所述指令在由电子设备的处理器执行时，指示所述电子设备执行根据权利要求1‑12中任一项所述的内容推荐方法。

27.一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现根据权利要求1‑12中任一项所述的内容推荐方法。