1.一种潜在客户挖掘与推荐方法，其特征在于，包括以下步骤：

S1)、从社交平台上获取用户的个人信息和社交活动数据，并对获取到的粗糙原始数据进行清洗，去除状态码与用户信息无关的数据，同时对文本信息进行格式化，去除文本中的特殊字符，将清洗过的数据存储到用户社交活动数据库中；

S2)、根据用户的个人信息、社交行为信息、以及购物行为信息进行筛选，选取关键信息构建用户画像；

S3)、对各种不同类型的数据进行特征化处理，将其转化为可供模型训练的特征向量；

S4)、训练、更新因子分解机模型、svm模型和xgboost模型组成的模型池，预测用户对商品的兴趣，使用用户画像和整理出的特征向量作为模型池的输入，将用户近期的实际购买结果作为标签对模型进行单独训练，然后根据误差通过梯度下降法更新模型的参数，提升模型的预测精度；

S5)、测试、调整模型，使用与训练不同的另一批用户的数据对模型进行交叉测试，当测试效果高于阈值，则得到训练好的模型，否则采取特征筛选、调整参数的方式并按照步骤S4)重新训练模型；

S6)、使用训练好的模型对所有用户进行预测，获取用户最新的兴趣分布，并采用直接覆盖法或按权重相加法更新用户兴趣预测结果；

S7)、根据用户的浏览记录、购物记录以及时间因素，将用户分为老客户和新用户，新用户将用于挖掘潜在客户，然后利用svm分类模型将新用户分为潜在客户和不太可能产生购买行为的路人，从新用户中挖掘潜在的客户；

S8)、训练、更新svm分类模型，使用步骤S3)和步骤S6)中获取的特征作为svm分类模型的输入，将对用户进行推荐后的实际转化情况作为标签训练svm分类模型，然后根据误差通过随机梯度下降法更新模型的参数，提升模型的预测精度；

S9)、测试并调整模型，使用与训练用户不同的另一批用户的数据进行交叉测试，当测试效果高于阈值，则得到训练好的模型，否则采取特征筛选、调整参数的方式并按照步骤S8)重新训练模型；

S10)、使用S9)训练的模型对所有新用户进行预测，将新用户分为潜在用户和不太可能产生购买行为的路人，并更新新客推荐数据库；

S11)、对于新访问平台的用户，判断用户是否为潜在客户，并从新客推荐数据库中查询到访用户的信息，如果有用户对应的兴趣信息，则筛选与用户兴趣相符的商品，生成商品列表；

S12)、在前端页面展示和推荐商品列表中的商品，或将商品包装成广告精准投放给用户。

2.根据权利要求1所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S2)中，所述的用户的 个人信息主要包括性别、年龄、地域、工作、学校、兴趣标签、用户等级、用户信誉、关注数、粉丝数，所述的社交行为信息主要包括发送文本、关注话题、转发评论，所述的购物行为信息包括浏览信息、收藏信息、购买信息、评价信息。

3.根据权利要求1所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S3)中，对各种不同类型的数据进行特征化处理，具体包括对数值型数据进行归一化，对类别标签型数据进行one‑hot离散向量化，对文本内容进行word2vec词向量化和doc2vec文本向量化，对缺失数据进行补齐，最终获得用户向量表示、用户社交、购物行为向量表示，商品向量表示。

4.根据权利要求1所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S3)中，所述的特征向量包括用户特征向量和商品特征向量；所述的用户特征向量由用户个人特征、用户社交行为特征和用户‑商品交互特征组成，所述的商品特征向量由商品类别特征、购物上下文特征和商品‑用户交互特征组成。

5.根据权利要求4所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S3)中，对性别、年龄、地域、工作、学校、兴趣标签、用户等级、用户信誉、关注数、粉丝数用户个人信息进行向量化处理，构造用户个人特征，其中性别、地域、年龄、工作数据采用了one‑hot向量表示法，其他数值类型的数据采用max‑min归一化表示。

6.根据权利要求4所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S3)中，所述的用户社交行为特征主要包含用户社交中发送的文本信息，将用户一定时间内发送的文本信息拼接成一个文档，通过分词工具将文档分词并去除停用词，然后通过word2vec工具将每个词转化为对应的词向量，并将所有的词向量相加并归一化，得到相应的文档的向量表示；同时通过doc2vec工具生成文档对应的文档向量，最后将两个表示向量拼接，作为用户社交行为特征向量。

7.根据权利要求4所述的一种潜在客户挖掘与推荐方法，其特征在于：所述的用户‑商品交互特征是指将用户购买的商品通过one‑hot表示成向量形式，即购买过的商品位置值为1，没有购买过的位置值为0。

8.根据权利要求4所述的一种潜在客户挖掘与推荐方法，其特征在于：所述的购物上下文特征是指将用户的购物记录按照购买时间先后进行排序，构造用户购买商品序列，将每件商品视作一个单词，然后通过word2vec工具中的skip‑gram模型进行训练，训练完成后可以获得每件商品对应的向量，该向量作为商品的购物上下文特征。

9.根据权利要求1所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S4)中，将因子分解机模型、svm模型和xgboost模型预测的平均结果作为最终输出结果，负责预测用户对商品的兴趣。

10.根据权利要求1所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S4)中，用户对于每件商品的喜好程度的真实标签，通过用户的历史购物记录进行构建，若用户之前购买过该商品，则商品对应的值为1；反之若用户没有购买过该商品，则商品对应的值为0，预测用户对商品的兴趣，将用户向量与每件商品的商品向量拼接作为模型池的输入，并使用模型预测用户对商品的喜好评分，然后根据用户实际标签值，分别计算模型预测结果与实际标签结果之间的差值，通过批梯度下降算法，对3个模型的参数进行更新，通过不断迭代更新的方式逐步提高模型预测精度。