1.一种信息推荐方法，其特征在于，包括：

获取当前用户在待信息推荐系统中的社交关系网络，根据node2vec算法学习所述社交关系网络中包含的各个用户的embedding特征表达，以获取每个所述用户的embedding特征向量；

根据所述社交关系网络中的用户总数设置KNN算法中的参数K值，根据所述K值及多个所述embedding特征向量，从各个所述用户中选取与所述当前用户关系满足预设条件的K个近邻用户，根据K个所述近邻用户的embedding特征向量生成embedding特征矩阵；

利用CNN算法在所述embedding特征矩阵上学习所述社交关系网络的潜在特征；

根据所述潜在特征，利用预设的算法对历史信息评分矩阵进行迭代交替运算，以获取所述当前用户的用户特征矩阵及信息特征矩阵，所述历史信息评分矩阵根据所述待信息推荐系统中多个用户的历史信息数据获取；

根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐。

2.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：根据所述用户特征矩阵及所述信息特征矩阵为所述当前用户的潜在信息进行评分预测；

将满足预设阈值的所述评分值对应的潜在信息进行推荐。

3.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：当检测到所述当前用户进入所述待信息推荐系统中时，根据所述用户特征矩阵为所述当前用户进行信息推荐。

4.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：当检测到所述当前用户进入所述待信息推荐系统中时，根据所述用户特征矩阵以及所述信息特征矩阵为所述当前用户进行信息推荐。

5.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：当检测到所述当前用户在所述待信息推荐系统中进行信息搜索或浏览信息时，根据所述当前用户的搜索信息、浏览信息以及所述信息特征矩阵为所述当前用户进行信息推荐。

6.根据权利要求1至5任意一项所述的信息推荐方法，其特征在于，所述根据所述社交关系网络中的用户总数设置KNN算法中的参数K值为：所述K值不小于所述社交关系网络包含的用户总个数的1.5％，且不大于所述社交关系网络包含的用户总个数的2％。

7.根据权利要求6所述的信息推荐方法，其特征在于，所述K值为所述社交关系网络包含的用户总个数的1.5％。

8.根据权利要求1至5任意一项所述的信息推荐方法，其特征在于，所述信息为商品。

9.根据权利要求8所述的信息推荐方法，其特征在于，所述根据所述K值及多个所述embedding特征向量，从各个所述用户中选取与所述当前用户关系满足预设条件的K个近邻用户包括：计算所述当前用户依次与各个所述用户的embedding特征向量的欧式距离；

对多个所述欧式距离的值进行从小到大排序，前K个欧式距离值对应的K个用户为满足预设条件的K个所述近邻用户。

10.一种信息推荐装置，其特征在于，包括：

社交关系网络获取模块，用于获取当前用户在待信息推荐系统中的社交关系网络，根据node2vec算法学习所述社交关系网络中包含的各个用户的embedding特征表达，以获取每个所述用户的embedding特征向量；

近邻用户选取模块，用于根据所述社交关系网络中的用户总数设置KNN算法中的参数K值，根据所述K值及多个所述embedding特征向量，从各个所述用户中选取与所述当前用户关系满足预设条件的K个近邻用户，根据K个所述近邻用户的embedding特征向量生成embedding特征矩阵；

CNN算法学习模块，用于利用CNN算法在所述embedding特征矩阵上学习所述社交关系网络的潜在特征；

推荐参数生成模块，用于根据所述潜在特征，利用预设的算法对历史信息评分矩阵进行迭代交替运算，以获取所述当前用户的用户特征矩阵及信息特征矩阵，所述历史信息评分矩阵根据所述待信息推荐系统中多个用户的历史信息数据获取；

信息推荐模块，用于根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐。