1.一种个性化推荐方法，其特征在于，所述方法包括：获取待测用户对待测物品所执行操作动作的当前操作信息；

获取预测模型，所述预测模型用于表示操作信息与评分值间的对应关系，通过对样本数据进行训练获得所述预测模型，所述样本数据包括样本用户对样本物品的样本评分值以及样本用户对样本物品执行的操作动作的样本操作信息；

利用所述预测模型，获得所述当前操作信息对应的预测评分值；

基于所述预测评分值，进行个性化推荐。

2.根据权利要求1所述的方法，其特征在于，所述预测模型为：y＝θ1x1+θ2x2+…+θixi+…+θnxn+θ0；

其中，y表示评分值；θi表示第i个操作动作的权重值；xi表示第i个操作动作的操作信息；1≤i≤n，n为操作动作的类型数目；θ0为常量。

3.根据权利要求1或2所述的方法，其特征在于，所述对样本数据进行训练获得所述预测模型，包括：获取多组所述样本数据；

建立原始预测模型，并利用所述原始预测模型，获得每组样本数据中的样本操作信息对应的预估值；

建立损失函数，所述损失函数用于表示每组样本数据中的样本评分值与该组样本数据中的样本操作信息对应的预估值之间的偏差；

调整所述原始预测模型，并在所述损失函数达到最小值时，获得所述预测模型。

4.根据权利要求3所述的方法，其特征在于，所述损失函数为：其中，J(θ)表示损失函数；yj表示第j组样本数据中的样本操作信息对应的预估值；zj表示第j组样本数据中的样本评分值，1≤j≤m，m为样本数据的数目。

5.根据权利要求3所述的方法，其特征在于，

所述原始预测模型为：y＝θ11x1+θ12x2+…+θ1ixi+…+θ1nxn+θ10，其中，θ1i表示第i个操作动作的初始权重值；θ10表示初始常量；则所述调整所述原始预测模型，并在所述损失函数达到最小值时，获得所述预测模型，包括：通过以下公式调整所述原始预测模型中的θ1i： 其

中，θ2i表示对所述原始预测模型进行一次调整后，第i个操作动作的调整后权重值；α表示学习速率；(zj-yj)xji由所述损失函数J(θ)对θ1i求偏导获得；xji表示第j组样本数据中的第i个操作动作的样本操作信息，1≤j≤m，m为样本数据的数目；

判断所述θ2i是否使所述损失函数达到最小值，如果是，则将所述θ2i确定为所述θi，获得所述预测模型；如果否，则在所述θ2i的基础上，利用所述α和所述(zj-yj)xji，调整获得所述预测模型。

6.一种个性化推荐装置，其特征在于，所述装置包括：操作信息获取单元，用于获取待测用户对待测物品所执行操作动作的当前操作信息；

预测模型获取单元，用于获取预测模型，所述预测模型用于表示操作信息与评分值间的对应关系，通过对样本数据进行训练获得所述预测模型，所述样本数据包括样本用户对样本物品的样本评分值以及样本用户对样本物品执行的操作动作的样本操作信息；

评分值获得单元，用于利用所述预测模型，获得所述当前操作信息对应的预测评分值；

个性化推荐单元，用于基于所述预测评分值，进行个性化推荐。

7.根据权利要求6所述的装置，其特征在于，所述预测模型获取单元，具体用于获取如下预测模型：y＝θ1x1+θ2x2+…+θixi+…+θnxn+θ0；

其中，y表示评分值；θi表示第i个操作动作的权重值；xi表示第i个操作动作的操作信息；1≤i≤n，n为操作动作的类型数目；θ0为常量。

8.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：样本数据获取单元，用于获取多组所述样本数据；

模型建立单元，用于建立原始预测模型，并利用所述原始预测模型，获得每组样本数据中的样本操作信息对应的预估值；

损失函数建立单元，用于建立损失函数，所述损失函数用于表示每组样本数据中的样本评分值与该组样本数据中的样本操作信息对应的预估值之间的偏差；

模型调整单元，用于调整所述原始预测模型，并在所述损失函数达到最小值时，获得所述预测模型。

9.根据权利要求8所述的装置，其特征在于，所述损失函数建立单元，具体用于建立如下损失函数：其中，J(θ)表示损失函数；yj表示第j组样本数据中的样本操作信息对应的预估值；zj表示第j组样本数据中的样本评分值，1≤j≤m，m为样本数据的数目。

10.根据权利要求8所述的装置，其特征在于，

所述模型建立单元，具体用于建立如下原始预测模型：

y＝θ11x1+θ12x2+…+θ1ixi+…+θ1nxn+θ10，其中，θ1i表示第i个操作动作的初始权重值；θ10表示初始常量；则所述模型调整单元，具体用于通过以下公式调整所述原始预测模型中的θ1i：其中，θ2i表示对所述原始预测模型进行一次调整后，第i个操作动作的调整后权重值；α表示学习速率；(zj-yj)xji由所述损失函数J(θ)对θ1i求偏导获得；xji表示第j组样本数据中的第i个操作动作的样本操作信息，1≤j≤m，m为样本数据的数目；判断所述θ2i是否使所述损失函数达到最小值，如果是，则将所述θ2i确定为所述θi，获得所述预测模型；如果否，则在所述θ2i的基础上，利用所述α和所述(zj-yj)xji，调整获得所述预测模型。