1.一种基于评论文本的细粒度物品推荐方法，其特征在于，包括：

分别获取用户评论文本集合和物品评论文本集合；其中，所述用户评论文本集合和物品评论文本集合分别对应一组评论文本；

利用细粒度特征交互网络计算用户和物品间的多粒度关联矩阵，获得3D交互图像；

将所述3D交互图像输入到全连接神经网络和传统因子分解机中实现用户‑物品的评分预测，根据评分结果实现物品的推荐；

其中，所述细粒度特征交互网络具体包括：利用层次扩张卷积模型分别对用户评论文本集合和物品评论文本集合中的每条评论文本进行多粒度语义特征提取，获得用户和物品的多粒度评论表示集合；计算用户和物品之间的多粒度关联矩阵，并通过3D卷积神经网络将所述关联矩阵融合成3D交互图像。

2.如权利要求1所述的一种基于评论文本的细粒度物品推荐方法，其特征在于，所述利用层次扩张卷积模型不同于标准卷积在每一步对输入的一个连续子序列进行卷积，不同层次的扩张卷积通过每次跳过δ个输入元素，所述扩张操作具体描述为：其中， 是向量拼接，b是偏置项，ReLU是非线性激活函数，xt表示上下文中心单词，W为大小为2w+1的卷积核，w为用于调整卷积核大小的参数，δ为扩张率，其为不小于1的整数。

3.如权利要求2所述的一种基于评论文本的细粒度物品推荐方法，其特征在于，为了防止梯度的消失或爆炸，在每层扩张卷积的最后应用层归一化。

4.如权利要求1所述的一种基于评论文本的细粒度物品推荐方法，其特征在于，所述计算用户和物品之间的多粒度关联矩阵，具体包括：通过在每个粒度上构建关联矩阵实现用户和物品之间特征的交互，给定用户和物品的第n个和第m个多粒度评论表示，则第l层粒度的关联矩阵通过如下的点乘运算实现：其中，l＝[1，2，...，L]为语义粒度的数量， 中的元素 代表

着用户与物品评论中第i个特征与第j个特征在l粒度下的相关性,f为每一层卷积滤波器的数量。

5.如权利要求1所述的一种基于评论文本的细粒度物品推荐方法，其特征在于，所述通过3D卷积神经网络将所述关联矩阵融合成3D交互图像，其中，所述3D交互图像中的每个像素点都是所有粒度下特征的拼接向量，表示用户与物品在多个粒度下的交互程度。

6.如权利要求1所述的一种基于评论文本的细粒度物品推荐方法，其特征在于，所述将所述3D交互图像输入到全连接神经网络和传统因子分解机中实现用户‑物品的评分预测，具体为：将所述3D交互图像输入到全连接神经网络中获得一个实值特征向量，将所述特征向量输入到因子分解机中，使用分解参数对特征之间的相互作用进行建模，输出用户和物品交互的预测评分。

7.如权利要求1所述的一种基于评论文本的细粒度物品推荐方法，其特征在于，采用层次扩张卷积模型对评论文本进行多粒度语义特征提取前，针对每一条评论文本，通过嵌入矩阵将其映射为相应的词向量矩阵。

8.一种基于评论文本的细粒度物品推荐系统，其特征在于，包括：

数据获取单元，其用于分别获取用户评论文本集合和物品评论文本集合；其中，所述用户评论文本集合和物品评论文本集合分别对应一组评论文本；

多粒度特征提取单元，其用于利用层次扩张卷积模型分别对用户评论文本集合和物品评论文本集合中的每条评论文本进行多粒度语义特征提取，获得用户和物品的多粒度评论表示集合；

交互图像生成单元，其用于基于用户和物品的多粒度评论表示，构建用户和物品之间的多粒度关联矩阵，并通过3D卷积神经网络将所述关联矩阵融合成3D交互图像；

物品推荐单元，其用于将所述3D交互图像输入到全连接神经网络和传统因子分解机中实现用户‑物品的评分预测，根据评分结果实现物品的推荐。

9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，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任一项所述的一种基于评论文本的细粒度物品推荐系统。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑7任一项所述的一种基于评论文本的细粒度物品推荐系统。