1.一种基于SSD和时序模型的微博好友推荐方法，其特征在于包括以下步骤：

1)收集数据并构建数据表per_info，即从微博平台中获取用户的图片数据以及相对应的时间数据，构建数据表per_info，一个图片对应数据表per_info的一个表项，每个表项包括4个数据元素：name、date、picture、category，其中，name代表用户名，date代表时间，picture代表用户图片，category代表所属类别；

2)选取公开数据集作为训练数据集；

3)训练模型；

4)将数据表per_info中的picture数据作为训练后的SSD模型的输入，构建用户兴趣标签矩阵；

5)计算出潜在兴趣分布矩阵，每个兴趣的时序计算公式如下：其中，以时间间隔T天作为一个时间段，n代表时间段总数，t代表第t个时间段；

6)利用概率分布距离公式计算用户p、q间各时间段的兴趣相似度矩阵矩阵中n行表示第n个时间段的兴趣相似度，计算公式如下：其中，DJS代表JS散度，DKL代表KL散度；

7)通过得到的用户与其他各用户间的兴趣相似度，对相似度进行排序得到最高的前k个好友，并向相应的目标用户进行推荐。

2.如权利要求1所述的基于SSD和时序模型的微博好友推荐方法，其特征在于所述步骤

3)中，模型训练包括如下步骤：

3.1)预处理训练数据集，将训练数据集的图片处理成300*300像素的图像；

3.2)搭建SSD网络架构；

3.3)设置先验框尺度和长宽比，计算出先验框的宽wk和高hk；

3.4)计算交并比IOU值，计算公式如下：

其中，Sp∩Sg代表先验框的面积与真实目标框的面积的交集，Sp∪Sg代表先验框的面积与真实目标框的并集；

3.5)匹配先验框，先验框匹配方法如下：对于图中每个真实目标框，将其IOU值最大的先验框作为匹配成功的对象，对于未匹配成功的先验框，将其IOU值与阈值比较，若IOU大于阈值，则设置为匹配成功；

3.6)计算SSD检测值，包括预测位置和分类信息；所述分类信息计算方法是若某先验框与真实目标框匹配成功，则认为该真实目标框与该先验框类别信息一致；所述预测位置记为l＝(lcx,lcy,lw,lh)，计算公式如下：lcx＝(bcx-dcx)/dw，lcy＝(bcy-dcy)/dhlw＝log(bw/dw)，lh＝log(bh/dh)其中，d＝(dcx,dcy,dw,dh)代表先验框位置，b＝(bcx,bcy,bw,bh)代表对应的真实目标框的位置；

3.7)计算置信误差Lconf(x,c)和位置误差Lloc(x,l,g)；

3.8)计算损失函数L(x,c,l,g)，所述损失函数计算公式如下：其中，N为先验框的正样本数量；α为权重(一般取值为1)。

3.如权利要求1所述的基于SSD和时序模型的微博好友推荐方法，其特征在于所述步骤

4)中用户兴趣标签矩阵构建方法如下：

4.1)向训练得出的模型输入图片进行兴趣识别，模型输出得到各图片中的类别，以此赋值给表per_info中的category属性；

4.2)数据处理，根据date属性，以T天为时间间隔，将用户数据划分为n个时间段，每个时间段将同一name属性的数据构建成一组数据集{name,date,picture,category}；

4.3)构建用户某时间段ti的hobby(u)＝{hy1,hy2,…,hym}用户兴趣向量，其中hyi表示用户的兴趣标签中第i个类型的兴趣标签内的物体出现的次数占第t时间段中总物体出现次数的比例；

4.4)对n个时间段的用户兴趣向量整合，构建得到用户兴趣标签矩阵，记为

4.如权利要求2所述的基于SSD和时序模型的微博好友推荐方法，其特征在于所述步骤

3.3)中，所述先验框尺度线性公式如下：

其中，Sk代表第k个先验框对应的尺度大小，Smin代表最小的先验框尺度，取值0.2，Smax代表最大的先验框尺度，取值0.9，m为特征图的个数；

所述先验框的长宽比满足

所述先验框的宽wk和高hk计算公式如下：

其中，Winput和Hinput分别为输入图像的宽和高。

5.如权利要求2所述的基于SSD和时序模型的微博好友推荐方法，其特征在于所述步骤3.7)中，所述位置误差Lloc(x,l,g)计算公式如下：其中，smoothL1损失函数计算公式如下：为真实目标的损失误差，计算公式为：

式中， 分别代表第j个真实目标框的中心位置横坐标、纵坐标与宽度、高度； 分别代表第j个真实目标的中心位置横坐标、纵坐标、宽度与高度的损失误差； 分别代表第i个先验框的中心位置横坐标、纵坐标与宽度、高度。

6.如权利要求2所述的基于SSD和时序模型的微博好友推荐方法，其特征在于所述步骤3.7)中，所述置信误差Lconf(x,c)，计算公式如下：其中， 为指示参数，为1时代表第i个先验框与第j个ground truth相匹配，且类别为p；c为类别置信度预测值；l为所对应的边界框位置的预测值，而g是ground truth的位置参数。

7.如权利要求1所述的基于SSD和时序模型的微博好友推荐方法，其特征在于所述步骤

6)中所述DJS计算公式如下：

所述DKL计算公式如下：