1.一种社交平台用户的现实关系匹配方法，其特征在于，包括步骤：

获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型；

获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型；

将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果；所述用户p 1 2向量模型的输出结果h＝tanh(W v1+Wv2)，其中，所述v1和v2为所述用户向量模型的两个用户的向量输入，所述hp为所述用户向量模型的两个用户的向量输入v1和v2的加权非线性转化输出经偏差修正的输出结果，所述W1为所述用户的向量输入v1的权重，所述W2为所述用户的向量输入v2的权重。

2.如权利要求1所述的社交平台用户的现实关系匹配方法，其特征在于，所述根据每一所述用户的账号信息和TransE模型建立用户向量模型的步骤包括：根据每一所述用户的账号信息建立一个三元组，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；

根据TransE模型把所述每一个三元组中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量。

3.如权利要求2所述的社交平台用户的现实关系匹配方法，其特征在于，所述用户向量模型的目标函数包括：其中，∈R(k×1)，k是向量维度，[*]+为取*的正数部分，γ是一个超参数，S是所有真三元组集合，S'是所有随机生成的假三元组集合S'＝|h'∈E∪|t'∈E，r∈R代表网络中连接实体的关系，d(h+r,t)是根据用户账号信息建立的真三元组，d(h'+r,t')是根据用户账号信息建立的假三元组。

4.如权利要求1所述的社交平台用户的现实关系匹配方法，其特征在于，所述获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型的步骤包括：获取所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合；

根据卷积神经网络模型对所述每一个词语建立低维度向量，通过已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，重复提取所述词语并计算隐含特征向量，获取每一维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类。

5.如权利要求4所述的社交平台用户的现实关系匹配方法，其特征在于，所述文本关系预测模型的目标函数包括：其中，这里 是预测分类标记，fm是真实分类标记。

6.如权利要求4所述的社交平台用户的现实关系匹配方法，其特征在于，所述文本关系预测模型的输出结果r＝max{hi}，其中，hi＝tanh(W-1ui-1+W0ui+W1ui+1)，所述u为所述用户之间的文本交互信息中的词语，所述W-1代表ui-1的权重，所述W0代表ui的权重，所述W1代表ui+1的权重，所述i代表词语u的序号。

7.如权利要求1～6中任一项所述的社交平台用户的现实关系匹配方法，其特征在于，所述将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测分类的步骤包括：根据预设的线性联合算法函数： 将所述用户向量模型的

输出结果hp以及所述文本关系预测模型的输出结果γ投射到一预设空间，输出得到所述社交平台上的用户的现实关系预测分类；

p

其中，所述 为将所述用户向量模型的输出结果h投射到所述预设空间的参数，所述为将所述文本关系预测模型的输出结果γ投射到所述预设空间的参数。

8.一种数据处理装置，包括存储器、处理器及存储在存储器上并可在处理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至7中任一项所述的社交平台用户的现实关系匹配方法的步骤。

9.一种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至7中任一项所述的社交平台用户的现实关系匹配方法的步骤。