1.基于标签迁移的跨域推荐方法，其特征在于，具体按照以下步骤实施：步骤1、假设A领域为源领域，B领域为目标领域，实现A领域与B领域之间的跨域推荐的前提条件如下：A领域与B领域存在重叠的用户，所述用户共用一套相同的标签系统并且A领域和B领域中都有对应的用户物品评分信息，通过迁移共享的标签信息，实现以A领域为源领域辅助目标领域B领域完成推荐任务，或者以B领域为源领域辅助目标领域A领域完成推荐任务；步骤2、利用用户对A领域的评分信息构建A领域用户评分矩阵；所述步骤2具体如下：步骤2.1、利用Pandas库中的read_table函数读入用户物品评分表，该表中包括的字段有用户ID、物品ID和评分，该函数指定要打开文件的位置、用作列名的行号、用作行索引的列编号或列名，并设置python引擎来对用户物品评分表进行解析；步骤2.2、利用读到的用户物品评分表，使用Pandas的unique函数获取用户列名和物品列名的所有唯一值，然后使用len函数得到唯一的用户和物品的个数，结合numpy的zeros函数，创建行为用户数，列为物品数的全零二维数组；步骤2.3、按元组的方式遍历用户物品评分表，使用pandas的loc函数和python的内建函数getattr，将每个用户对每部物品的评分值对应起来并填充到创建的全零二维数组的对应位置，从而得到用户对物品的评分矩阵user_item_matrix，并保存为user_item_matrix.csv；步骤3、对A领域用户评分矩阵进行分解，得到用户潜在特征矩阵U src 和物品潜在特征矩阵V src ；所述步骤3具体如下：步骤3.1、利用Pandas库中的read_csv函数读入步骤2得到的用户物品评分矩阵user_item_matrix.csv，通过设置用户潜在评分因子k和物品潜在评分因子l的大小以及最大迭代次数max_iter约束矩阵的分解；步骤3.2、不断调整用户潜在评分因子k和物品潜在评分因子l以及最大迭代次数max_iter的值以最小化目标函数，目标函数达到最小值，得到源领域中的用户潜在特征矩阵U src 、物品潜在特征矩阵V src 以及集群级的用户和物品评分矩阵S；所述步骤3.2具体如下：通过不断地迭代以最小化目标函数：其中， m代表源领域中的用户数，k代表用户潜在评分因子，n代表源领域中物品的个数，l代表物品潜在评分因子，U src 的大小为m×k，表示源领域中m个用户对k个用户潜在评分因子的用户潜在特征矩阵，同样，V src 的大小为n×l，表示源领域中n个物品对l个物品潜在评分因子的物品潜在特征矩阵；所述步骤3.2中当k＝l＝40，max_iter＝200时，目标函数达到最小值；步骤4、基于用户潜在特征矩阵对用户进行聚类，聚类采用K-Means聚类方法，得到每一类别下的用户；所述步骤4具体如下：步骤4.1、设聚类个数为K，即对应K个初始的类簇，然后由用户潜在特征矩阵U src 和聚类个数K，随机初始化质心矩阵centroids，再将用户特征矩阵U src 中的每一行和质心矩阵centroids中的每一个质心之间计算欧氏距离，按照距离最短原则，将用户特征矩阵中的每一行划分到距离最近的类簇中，形成K个类簇；所述步骤4.1中计算用户特征矩阵中的每一行和质心矩阵中的每一个质心之间的欧氏距离，计算公式为：其中，X表示用户特征矩阵中的某一个数据，Y表示质心矩阵中的某一个数据，x i 表示用户特征矩阵中的某一个数据点的坐标，y i 表示某一个质心点的坐标，f为用户特征矩阵中所有数据的个数，i代表用户特征矩阵中的某一个数据；步骤4.2、更新每个类簇的中心，对每个簇内的数据求均值，得到新的质心矩阵centroids，再重新计算用户特征矩阵U src 中的每一行和新的质心矩阵centroids中的每一个质心之间的欧氏距离，直到质心不再发生改变或者达到设定的迭代次数，最终得到了质心矩阵centroids和对应的类簇矩阵clusterAssment，这样就得到了每一类别下的用户；步骤5、构建神经网络模型，对步骤4得到的不同类型下的用户使用的标签进行学习，并训练神经网络，得到能根据用户使用标签的特征对用户进行分类的神经网络模型，经过不断地训练得到最优网络模型；所述步骤5具体如下：步骤5.1、结合用户的属性标签和行为标签，通过量化处理后作为神经网络的输入，用户的属性标签包括用户的年龄、性别、职业，将用户的性别字段进行量化处理，假设用M表示男性，量化后用0表示，F表示女性，量化后用1表示，对于用户的职业字段，分别用0～6七个值表示，用户的行为标签包括用户使用每个物品所属标签的次数，通过统计得到；步骤5.2、将用户的属性标签和行为标签作为网络的输入特征经过隐藏层进行特征提取，设置隐藏层的神经元个数为h；隐藏层的神经元个数h由下面的公式确定：其中，p为神经网络输入的神经元个数，q为神经网络输出的神经元个数，a为1～10的常数；步骤5.3、将隐藏层h个神经元的输出作为全连接层的输入，再经过softmax函数后得到分类结果，最终对应L个概率值，其中，L＝K，再将L个概率值和1～K个类簇对应，判断属于哪个类别的概率值最大，则属于哪个类别；其中，softmax函数表示为：其中，w表示分类数，z属于1～w,y z 表示全连接层第z个神经元的输出，将w个输出分别经过softmax函数，得到符合概率分布的分类结果；步骤6、对每一类下的用户进行跨域推荐，所述步骤6具体如下：步骤6.1、将所述步骤5得到的在同一类下的所有用户在B领域中的评分矩阵进行重组，即将同一类别下的每一个用户的评分矩阵按行放置，得到新的用户在B领域中的评分矩阵user_item_matrix_tar；步骤6.2、使用近邻评分预测方法对步骤6.1得到的评分矩阵user_item_matrix_tar进行填充：近邻评分预测公式为：其中，A u 是B领域中目标用户u对所有评分物品的平均分，R vt 是B领域中用户v对物品t的评分值，A v 是B领域中用户u的邻居用户v对所有评分物品的平均分，sim(u,v)是B领域中目标用户u和u的邻居用户v之间的相似度数值，c是B领域中目标用户u的最近邻个数，j代表1～c中某一个最近邻；步骤6.3、构造对照评分矩阵contrast_score_matrix：对评分矩阵user_item_matrix_tar按列求平均值，得到对照评分矩阵contrast_score_matrix；步骤6.4、将需要进行跨域推荐的用户在B领域中的评分矩阵user_item_matrix_tar与该用户所属类别下的对照评分矩阵contrast_score_matrix进行对比，利用阈值比较的方法，如果对应位置的评分大于阈值，则对用户推荐B领域内的物品，如果对应位置评分小于阈值，则不给用户推荐B领域内的物品，即实现A领域和B领域的跨域推荐。
2.根据权利要求1所述的基于标签迁移的跨域推荐方法，其特征在于，所述步骤1中A领域与B领域重叠的用户共用一套相同的标签，标签包括属性标签和行为标签，其中属性标签包括性别、年龄、职业，行为标签包括用户对物品所属标签的使用次数。
