1.一种艺术品推荐方法，其特征在于，所述方法包括：提取用户收藏列表中各艺术品的图片特征向量，并基于各所述图片特征向量进行聚类得出用户的风格标签文档；

根据各所述用户的风格标签文档，通过特征划分狄利克雷过程模型将用户群组划分为若干潜在群组，并确定各所述潜在群组的风格标签分布以及所述用户属于各潜在群组的概率分布；

计算所述用户在每一个风格标签上的得分，根据所述得分通过预设规则向用户推送相应的艺术品。

2.根据权利要求1所述的方法，其特征在于，所述提取用户收藏列表中各艺术品的图片特征向量，并基于各所述图片特征向量进行聚类得出用户的风格标签信息，具体包括：通过深度残差网络提取户艺术品列表中各艺术品的图片特征向量，并基于所述图片特征向量通过K-means算法进行聚类得出用户的风格标签信息。

3.根据权利要求1所述的方法，其特征在于，所述根据各所述用户的风格标签文档，通过特征划分狄利克雷过程模型将用户群组划分为若干潜在群组，并确定各所述潜在群组的风格标签分布以及所述用户属于各潜在群组的概率分布，具体包括：步骤a、设置超参数α、β，先验参数λ、ω，初始K值，迭代次数；

步骤b、建立收藏数据集合U的生成概率密度函数：步骤c、通过如下公式计算出风格标签l可以作为潜在群组的群兴趣的概率：并对可以代表潜在群组的群兴趣的风格标签列表进行更新；

步骤d、根据采样结果更新 通过如下公式进行计算：步骤e、根据采样结果更新 通过如下公式进行计算：步骤f、根据采样结果更新θ，θ通过如下公式进行计算：步骤g、更新用户所属类别：

以及，

第i个用户属于第k个潜在群组的概率为：以及，

第i个用户属于第k+1个潜在群组的概率为：然后通过轮盘赌选择用户i所属的潜在群组，若出现用户属于新的潜在群组情形，则更新K值；

步骤h、判断步骤f中的计算结果是否满足预设收敛条件，若是，执行步骤i，否则返回步骤c；

步骤i、输出用户i属于各潜在群组的概率分布：以及，

潜在群组k的风格标签分布：

其中，ci为第i个用户所属的潜在群组的索引；

τ为二元变量且τ＝{τ1,τ2,...,τL}， Ω表示可以代表潜在群组的群兴趣的风格标签的集合；

L为风格标签数量，l为风格标签，l＝1,2,...,L，l的值表示其对应的风格标签在风格标签列表{1,2,3,...,L}中的索引；

I是用户数量，i＝1,2,...,I，|ui|为第i个用户的收藏列表中的艺术品总数，uil为第l个风格标签在ui中出现的次数，ui＝{ui1,ui2,...,uiL}为第i个用户的风格标签文档，U＝{u1,u2,...,uI}为用户群组的收藏数据集合；

K为当前潜在群组的数量，k＝1,2,...,K；

βl为潜在群组中的风格标签l的概率，θ为潜在群组的概率分布；

为第i个用户所属潜在群组的多项式， 为用户群组中所有用户收藏列表中不能够代表用户群组的群兴趣的艺术品风格标签的分布， 为潜在群组k的风格标签分布；

H(ci＝k)为指示函数，当ci＝k时，H(ci＝k)＝1，否则，H(ci＝k)＝0；

f(τ|U,c1,c2,...,cI)∝f(U|c1,c2,...,cI,τ)p(τ)；

且

4.根据权利要求1所述的方法，其特征在于，所述计算所述用户在每一个风格标签上的得分，具体包括：通过公式 计算出用户i在风格标签上l的得分，其中， 为第i个用户属于潜在群组k的概率， 为潜在群组k中风格标签l的分布。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：通过公式 计算出艺术品j在风格标签上l的得分，其中， 为第j个艺术品到风格标签上l的聚类中心的距离。

6.一种艺术品推荐装置，其特征在于，所述装置包括：提取模块，用于提取用户收藏列表中各艺术品的图片特征向量，并基于各所述图片特征向量进行聚类得出用户的风格标签文档；

计算模块，用于根据各所述用户的风格标签文档，通过特征划分狄利克雷过程模型将用户群组划分为若干潜在群组，并确定各所述潜在群组的风格标签分布以及所述用户属于各潜在群组的概率分布；

推荐模块，用于计算所述用户在每一个风格标签上的得分，根据所述得分通过预设规则向用户推送相应的艺术品。

7.根据权利要求6所述的装置，其特征在于，所述提取模块具体用于：通过深度残差网络提取户艺术品列表中各艺术品的图片特征向量，并基于所述图片特征向量通过K-means算法进行聚类得出用户的风格标签信息。

8.根据权利要求6所述的装置，其特征在于，所述计算模块具体用于执行：步骤a、设置超参数α、β，先验参数λ、ω，初始K值，迭代次数；

步骤b、建立收藏数据集合U的生成概率密度函数：步骤c、通过如下公式计算出风格标签l可以作为潜在群组的群兴趣的概率：并对可以代表潜在群组的群兴趣的风格标签列表进行更新；

步骤d、根据采样结果更新 通过如下公式进行计算：步骤e、根据采样结果更新 通过如下公式进行计算：步骤f、根据采样结果更新θ，θ通过如下公式进行计算：步骤g、更新用户所属类别：

以及，

第i个用户属于第k个潜在群组的概率为：以及，

第i个用户属于第k+1个潜在群组的概率为：然后通过轮盘赌选择用户i所属的潜在群组，若出现用户属于新的潜在群组情形，则更新K值；

步骤h、判断步骤f中的计算结果是否满足预设收敛条件，若是，执行步骤i，否则返回步骤c；

步骤i、输出用户i属于各潜在群组的概率分布：以及，

潜在群组k的风格标签分布：

其中，ci为第i个用户所属的潜在群组的索引；

τ为二元变量且τ＝{τ1,τ2,...,τL}， Ω表示可以代表潜在群组的群兴趣的风格标签的集合；

L为风格标签数量，l为风格标签，l＝1,2,...,L，l的值表示其对应的风格标签在风格标签列表{1,2,3,...,L}中的索引；

I是用户数量，i＝1,2,...,I，|ui|为第i个用户的收藏列表中的艺术品总数，uil为第l个风格标签在ui中出现的次数，ui＝{ui1,ui2,...,uiL}为第i个用户的风格标签文档，U＝{u1,u2,...,uI}为用户群组的收藏数据集合；

K为当前潜在群组的数量，k＝1,2,...,K；

βl为潜在群组中的风格标签l的概率，θ为潜在群组的概率分布；

为第i个用户所属潜在群组的多项式， 为用户群组中所有用户收藏列表中不能够代表用户群组的群兴趣的艺术品风格标签的分布， 为潜在群组k的风格标签分布；

H(ci＝k)为指示函数，当ci＝k时，H(ci＝k)＝1，否则，H(ci＝k)＝0；

f(τ|U,c1,c2,...,cI)∝f(U|c1,c2,...,cI,τ)p(τ)；

且

9.根据权利要求6所述的装置，其特征在于，所述推荐模块具体用于：通过公式 计算出用户i在风格标签上l的得分，其中， 为第i个用户属于潜在群组k的概率， 为潜在群组k中风格标签l的分布。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：评分模块，用于通过公式 计算出艺术品j在风格标签上l的得分，其中， 为第j个艺术品到风格标签上l的聚类中心的距离。

11.一种可读介质，其特征在于，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至5中任一所述的方法。

12.一种电子设备，其特征在于，包括：处理器、存储器和总线；所述存储器用于存储执行指令，所述处理器与所述存储器通过所述总线连接，当所述电子设备运行时，所述处理器执行所述存储器存储的所述执行指令，以使所述处理器执行如权利要求1至5中任一所述的方法。