1.一种联合贝叶斯推理与加权拒绝采样的多任务推荐方法，其特征在于，包括：

构建并行运行的嵌入潜在先验因子的贝叶斯模型以及嵌入平衡因子的采样模型；其中，潜在先验因子为从特定用户购物行为数据集挖掘出的负序列模式中每个商品的条件概率，且为贝叶斯模型的条件约束；采样模型为以平衡因子的倒数为权值的加权接受-拒绝采样模型；

确定推荐商品的总数量以及嵌入潜在先验因子的贝叶斯模型和嵌入平衡因子的采样模型分别推荐商品的数量与推荐商品的总数量的占比；

将从特定用户购物行为数据集中挖掘出的相应负序列模式输入至嵌入潜在先验因子的贝叶斯模型，按照概率大小顺序推荐相应数量的商品给特定用户；同时，利用嵌入平衡因子的采样模型对所有用户购物行为数据集进行采样，推荐相应数量的商品给特定用户。

2.如权利要求1所述的一种联合贝叶斯推理与加权拒绝采样的多任务推荐方法，其特征在于，构建嵌入潜在先验因子的贝叶斯模型的过程为：将特定用户购物行为数据集中每个商品为贝叶斯网络中的一个节点，根据用户购物顺序，建立贝叶斯网络中各个节点间的联系；

从特定用户购物行为数据集挖掘出的负序列模式中每个商品的条件概率作为贝叶斯网络的每一次推理的约束条件，按照概率大小顺序输出相应数量的商品。

3.如权利要求1所述的一种联合贝叶斯推理与加权拒绝采样的多任务推荐方法，其特征在于，采用F-NSP+算法从特定用户购物行为数据集挖掘出的负序列模式。

4.如权利要求1所述的一种联合贝叶斯推理与加权拒绝采样的多任务推荐方法，其特征在于，所述嵌入平衡因子的采样模型采样得到的数据符合高斯分布，且这些采样得到数据同时还服从参数为平衡因子的伯努利分布。

5.一种联合贝叶斯推理与加权拒绝采样的多任务推荐系统，其特征在于，包括：

模型构建模块，其用于构建并行运行的嵌入潜在先验因子的贝叶斯模型以及嵌入平衡因子的采样模型；其中，潜在先验因子为从特定用户购物行为数据集挖掘出的负序列模式中每个商品的条件概率，且为贝叶斯模型的条件约束；采样模型为以平衡因子的倒数为权值的加权接受-拒绝采样模型；

模型输出占比确定模块，其用于确定推荐商品的总数量以及嵌入潜在先验因子的贝叶斯模型和嵌入平衡因子的采样模型分别推荐商品的数量与推荐商品的总数量的占比；

并行推荐模块，其用于将从特定用户购物行为数据集中挖掘出的相应负序列模式输入至嵌入潜在先验因子的贝叶斯模型，按照概率大小顺序推荐相应数量的商品给特定用户；

同时，利用嵌入平衡因子的采样模型对所有用户购物行为数据集进行采样，推荐相应数量的商品给特定用户。

6.如权利要求5所述的一种联合贝叶斯推理与加权拒绝采样的多任务推荐系统，其特征在于，在所述模型构建模块中，构建嵌入潜在先验因子的贝叶斯模型的过程为：将特定用户购物行为数据集中每个商品为贝叶斯网络中的一个节点，根据用户购物顺序，建立贝叶斯网络中各个节点间的联系；

从特定用户购物行为数据集挖掘出的负序列模式中每个商品的条件概率作为贝叶斯网络的每一次推理的约束条件，按照概率大小顺序输出相应数量的商品。

7.如权利要求5所述的一种联合贝叶斯推理与加权拒绝采样的多任务推荐系统，其特征在于，在所述模型构建模块中，采用F-NSP+算法从特定用户购物行为数据集挖掘出的负序列模式。

8.如权利要求5所述的一种联合贝叶斯推理与加权拒绝采样的多任务推荐系统，其特征在于，在所述模型构建模块中，所述嵌入平衡因子的采样模型采样得到的数据符合高斯分布，且这些采样得到数据同时还服从参数为平衡因子的伯努利分布。

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1-4中任一项所述的联合贝叶斯推理与加权拒绝采样的多任务推荐方法中的步骤。

10.一种计算机设备，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1-4中任一项所述的联合贝叶斯推理与加权拒绝采样的多任务推荐方法中的步骤。