1.一种基于word2vec标签相似性的三部图随机游走推荐方法，其特征在于，包括：S1、基于ICF的算法‑cosRA计算物品与物品之间的相似度；

S2、根据物品的相似度和用户的历史行为生成推荐列表；

S3、根据目标用户和推荐列表，构建用户‑物品二部图，并基于在用户‑物品二部图中引入标签节点建立三部图模型，其具体包括：通过目标用户与cosRA推荐的2N个物品构建用户‑物品二部图，其中，每条边的权重由cosRA得出的推荐系数提供；

通过在用户‑物品二部图中引入标签节点建立三部图模型，令G(u,I,T)表示用户，物品，标签三部图，其中V＝u∪Vi∪Vt由目标用户u，cosRA推荐的2N个物品集合Vi，和这2N个物品在标签数据集中对应的标签集合Vt组成，其中，对于目标用户u和物品节点Vi图中都有一条对应的边e(u，i)，边的权重Wu,i＝cosRA(u，i),cosRA(u，i)是cosRA算法给出的对于目标用户u，物品i的推荐系数；对于图中每一个二元组(i，t)，图中都有一条对应的边e(i，t)，其用户和标签之间没有直接相连的边；

S4、构建已完成训练的word2vec模型，并将数忆词汇作为训练word2vec的语料库；

S5、赋予三部图中物品标签之间边的权重；

S6、从用户节点开始在三部图上进行随机游走，经过若干次随机游走后，每个物品节点被访问到的概率会收敛到一个数，所述访问概率即为最终的推荐列表中物品的权重，其具体包括：从用户节点开始在三部图上进行随机游走，游走到任何一个节点时，首先按照概率θ决定是否继续游走，还是停止这次游走并从vu用户节点开始重新游走；

若决定继续游走，则从当前节点指向的节点中按照均匀分布随机选择一个节点作为游走下次经过的节点；经过若干次随机游走后，每个物品节点被访问到的概率会收敛到一个数，最终的推荐列表中物品的权重就是物品节点的访问概率PR(v)：其中，out(v)表示节点v有边相连的节点集合，out(v’)为与v’节点有边相连的节点集合，PR(v’)为v’节点在图中的访问概率，游走结束后取前N个最优的物品集合最为最终的推荐列表，S为边的权重。

2.根据权利要求1所述的基于word2vec标签相似性的三部图随机游走推荐方法，其特征在于，所述步骤S1中基于ICF的算法‑cosRA计算物品与物品之间的相似度为：其中， 为物品α、β之间的相识度，Kα，Kβ分别为物品α、β的度，若用户i购买了物品α，那么aiα＝1，否则aiα＝0。

3.根据权利要求1所述的基于word2vec标签相似性的三部图随机游走推荐方法，其特征在于，所述步骤S2中根据物品的相似度和用户的历史行为生成推荐列表，推荐列表的长度为2N，N为50。

4.根据权利要求1所述的基于word2vec标签相似性的三部图随机游走推荐方法，其特征在于，所述步骤S5赋予三部图中物品标签之间边的权重的具体步骤包括：将标签相似度范围缩放到0到1之间：

其中，min＝‑1，max＝1，wtt’为word2vec计算出的标签t和标签t’的相似度；

构建物品和标签之间边的权重Si，t：

其中，Ni是物品i在数据集中对应标签的集合，nt,i为物品i被打上标签t的次数，nt′i为物品i被打上标签t’的次数，mi为集合Ni的长度；

计算出的Si，t需要缩放到0到1之间即S’i，t：