1.一种基于注意力机制的融合特征推荐方法，其特征在于，包括以下步骤：S1，从亚马逊在线评论集中获取数据并获取到对应用户的社交网络；

S2，对获取的数据集进行数据预处理并获取用户评分矩阵Y和用户视图矩阵L；

S3，提取用户评分矩阵Y和用户视图矩阵L的用户特征和项目特征并融合得到用户特征矩阵A和项目特征矩阵B；

S4，将用户特征矩阵A、项目特征矩阵B输入到多头自注意力层获得注意权值；

S5，通过用户特征矩阵A、项目特征矩阵B的向量以及注意权值获得用户‑项目的表示，根据用户‑项目的表示生成推荐列表；

所述步骤S3包括以下内容：

S3.1，将奇异值分解应用于用户评分矩阵Y∈R(n×m),分解成3个矩阵E`∈T 1R(K×n),So∈R(K×K),F`∈R(K×m)，将三个矩阵调整融合得到两个矩阵E＝[E`*So/2 T 1/2 T]、F＝[So *F`]，分别是基于用户评分的用户的特征向量和项目的特征向量；

其中E`、So、F`分别是奇异值分解所产生的正交矩阵、对角矩阵以及正交矩阵，而Y＝E`*So*F`，n为用户数量，m为项目数量，k为奇异值分解中对角矩阵的秩维度；

将同样的操作应用于用户视图矩阵L∈R(n×m)，调整获得2个矩阵C∈R(K×n)，O∈R(K×m)，是基于用户视图的用户的特征向量和项目的特征向量，共获得4个矩阵输入到融合层；

S3.2，

其中L为输入到因子分解机模型后获得的低阶特征，w0为全局偏差，wi表示第i个变量的权重,Li表示第i个低阶特征；

S3.3，将4个矩阵E、F、C、O中基于用户的两个矩阵C、E输入到因子分解机模型(FM)中，获得两个低阶特征矩阵，再将两个低阶特征输入到前向深度神经网络(DNN)中计算出两个深度特征，使用一个全连接层将获得的两个深度特征进行融合，获得用户特征矩阵A；将同样的操作应用于两个基于项目的矩阵F、O，获得组合后的项目特征矩阵B。

2.根据权利要求1所述的一种基于注意力机制的融合特征推荐方法，其特征在于：所述步骤S1中的数据集包括用户i、项目j、评分r、可靠性rel、评价时间；

所述评分r为用户对项目的评分，评分区间在1‑5，将评分映射到对应[‑2,2]的区间，小于0对应糟糕的反映或消极的评价，大于0对应良好的反映或积极的评价；

所述可靠性rel为用户评分的可靠性，可靠性rel根据帮助投票Hij、用户在评论网络中作为最近的评论者mostij、排名最高的评论者topij的位置来评估；

其中帮助投票Hij为衡量该用户以往的评分对人有所帮助的程度，Hij∈(0,1)；

所述Hij公式如下：

其中，θj表示评价项目j的用户集合，helpful_votesij表示用户i为评价j点赞的集合，total_votesij表示用户i评价j点赞或反对的集合；

mostij表示最近的评论，距离该用户评论时间越近的评论，所占比重越高,mostij∈(0,

1)；所述mostij公式如下：

其中βj表示对项目j发布反馈的用户集；

|βj|‑i表示在第i个用户之后评价项目j的用户数量；s＝1指的是用户i对项目j发布的评价被认为是最近的评论，s＝2则指的是第二近的评论；

topij表示最靠前的评论，评论越靠前，所占比重越高,topij∈(0,1)；

所述topij公式如下：

其中ωj表示购买项目j的并提交评论的用户集；

gij表示用户i购买项目j并评论之后，这条评论在此商品中的帮助评分排名，|ωj|‑i表示在第i个用户之后购买项目j并阅读评论的数量；

由mostij和topij生成评估总分dij，所述评估总分dij代表该评价时效性与质量；

其中 为权重值，dij∈(0,1)；根据此用户评价对他人有所帮助的程度Hij以及该评价时效性与质量获得的评估总分dij去计算该用户评分的可靠性rel,rel∈(0,1)：

3.根据权利要求1所述的一种基于注意力机制的融合特征推荐方法，其特征在于，所述步骤S2包含如下内容：S2.1，对每一个项目j，遍历所有评价过项目j的用户的社交网络，选出拥有被关注人数最多的人作为这个项目j的专家用户E，通过评价此项目的用户i与专家用户E的社会关系获取到两人之间的社会信任强度Sc，其中|E|是专家用户E的被关注数量，|i|是当前用户的被关注数量；

S2.2，计算两个用户之间的相似性Ss，

其中|Ri∩RE|是当前用户i和专家用户E共同评价过的项目数量，|RE|是专家用户E评价过的项目数量；

S2.3，权重w如下：

其中mc是两个用户评价项目数量中，数量最少的值，k则是所有mc用户评价数量的平均值；

将社会信任强度和用户相似性进行加权组合，获取到两人最终相似度sim(i,E)，sim(i,E)＝(w*Sc)+((1‑w)Ss)；

S2.4，用户评分矩阵Y＝用户评分可靠性rel*评分r*用户相似度sim(i,E)；

S2.5，用户视图矩阵L为用户对于项目的视图交互值，其中1代表浏览过，0代表未浏览。

4.根据权利要求1所述的一种基于注意力机制的融合特征推荐方法，其特征在于，所述步骤S4具体包括以下内容：S4.1，将用户特征矩阵A和项目特征矩阵B输入到下一层的多头注意力层；

Q K V

S4.2，随机生成初始W 、W、W三个权重矩阵，将权重矩阵分别与各层得到的中间结果相乘，得到带权重的用户矩阵Qi，Ki，Vi和项目矩阵Qj，Kj，Vj；

S4.3，将权重矩阵做转置乘法后输入激活函数，得到注意力评分矩阵；

激活函数公式如下

T

Zi＝SoftMax(KiQi)

T

Zj＝SoftMax(KjQj)

S4.4，将得到的注意力评分矩阵与对应的用户矩阵Vi、项目矩阵Vj做转置乘法得到最终的表达WA。

5.根据权利要求1所述的一种基于注意力机制的融合特征推荐方法，其特征在于：所述步骤S5包含如下内容：S5.1，用户‑项目的表示为Vk＝WA⊙(Ai,k⊙Bj,k)V＝[V1，V2,......,VK]是用户‑项目对的评分输出表示，其中用户i和项目j的向量表示K K分别为Ai∈R，Bj∈R，R为用户评分的集合，K为潜在特征向量的维数，⊙表示内积；

S5.2，根据用户‑项目表示Vk，获得每个用户对所有项目的预测评分，并进行排序，生成用户推荐列表。