1.一种基于协同训练的融合评分信息和物品内容的推荐方法，其特征在于，包括如下步骤：S1、获取用户对物品的评论文本及用户对物品的评分，基于用户对物品的评分建立用户评分矩阵，初始化迭代次数为1，执行S2；

S2、基于用户对物品的评论文本建立用户情感倾向评分矩阵,执行S3；

S3、基于用户情感倾向评分矩阵更新用户评分矩阵，执行S4；

S4、基于用户评分矩阵生成数据训练集，执行S5；

S5、获取物品描述文本，基于物品描述文本生成物品描述向量，执行S6；

S6、基于物品描述向量及数据训练集更新用户评分矩阵，执行S7；

S7、将迭代次数加1，判断迭代次数是否大于或等于预设迭代次数，当迭代次数大于或等于预设迭代次数，执行S8，否则，执行S3；

S8、对用户评分矩阵中物品的评分进行排序并推荐。

2.如权利要求1所述的计及用户评分及物品相似性的物品推荐方法，其特征在于，S2包括如下步骤：S201、将所有评论文本进行切词，得到候选关键词；

S202、利用word2vec中的Skip-Gram模型训练候选关键词向量模型，得到每个候选关键词的K维向量表示；

S203、采用TF-IDF算法从候选关键词选出出现频率最高的Top-N个候选关键词作为关键词，并获取每个关键词的K维向量表示；

S204、将评论文本对应的关键词的K维向量表示输入长短期记忆人工神经网络，得到评论文本对应的用户情感倾向评分；

S205、基于用户情感倾向评分建立用户情感倾向评分矩阵。

3.如权利要求2所述的计及用户评分及物品相似性的物品推荐方法，其特征在于，S3包括如下步骤：S301、基于公式 更新用户评分，Ru(i)为第u个用户对第i个物品的用户评分， 为第u个用户对第i个物品的用户情感倾向评分，α为权重平衡因子；

S302、基于更新后的用户评分建立用户评分矩阵Rm×n(U,I)，行向量m表示用户的个数，列向量n表示物品的个数。

4.如权利要求3所述的计及用户评分及物品相似性的物品推荐方法，其特征在于，S4包括如下步骤：S401、将大于或等于预设正类分数阈值的用户评分加入正类数据池Di(+)中，将的标记为负类，将小于或等于预设负类分数阈值的用户评分加入负类数据池Di(-)中，基于公式DL＝{Di(+)∪Di(-)}生成第一数据集DL，预设正类分数阈值大于预设负类分数阈值；

S402、若用户评分缺失，采用用户情感倾向评分代替缺失的用户评分，作为新的用户评分，采用基于置信度估计与聚类分析的数据选择算法从所述新的用户评分中选择符合预设条件的新的用户评分，建立第二数据集DL'；

S403、基于第一数据集DL和第二数据集DL'生成训练数据集Dtrain，Dtrain＝{DL∪DL'}。

5.如权利要求4所述的计及用户评分及物品相似性的物品推荐方法，其特征在于，S6包括如下步骤：S601、基于训练数据集Dtrain中大于或等于预设正类分数阈值的用户评分对应的物品的物品描述向量、训练数据集Dtrain中小于或等于预设负类分数阈值的用户评分对应的物品的物品描述向量，建立第一用户物品描述向量集合；

S602、选取第一预设个数的用户评分等于预设评分的物品的用户物品描述向量建立候选用户物品描述向量集合，计算第一用户物品描述向量集合与候选用户物品描述向量集合中物品的距离和相似度；

S603、选取候选用户物品描述向量集合中每个物品的第二预设个数的近邻物品，计算候选用户物品描述向量集合中每个物品与其最近邻物品的平均距离；

S604、基于候选用户物品描述向量集合中每个物品与其最近邻物品的平均距离，更新候选用户物品描述向量集合中用户对物品的评分；

S605、基于更新后的候选用户物品描述向量集合用户对物品的评分更新物品的评分向量并更新第二数据集；

S606、利用基于置信度估计与聚类分析的数据选择算法对DL'进行数据分布分析并更新用户评分矩阵。

6.如权利要求1所述的计及用户评分及物品相似性的物品推荐方法，其特征在于，S8中，采用TOP-N算法基于用户评分矩阵中物品的评分对物品进行排序，并选择最靠前的多个物品进行推荐。