1.一种推荐方法，包括如下步骤：

S100：将原始数据转化为数值数据，将大规模稀疏特征转化为低维密集特征；

S200：获得用户的兴趣表示；

S300：分别提取用户和项目的高阶特征交互和低阶特征交互，基于线性的全局注意力机制监视高阶特征交互和低阶特征交互对于点击率预测的不同贡献；

S400：预测用户是否点击候选项，最终完成向用户推荐项目。

2.根据权利要求1所述的方法，步骤S100进一步包括，优选的，S101：采用独热编码对原始数据进行向量化；

S201：通过建立一个映射函数，将高维稀疏向量映射成低维稠密向量。

3.根据权利要求1所述的方法，步骤S200进一步包括，采用局部注意力机制来学习用户的兴趣表示。

4.根据权利要求1所述的方法，步骤S300进一步包括：S301：利用三层感知器来捕获用户和项目的高阶特征交互；

S302：利用因子分解机组件来捕获用户和项目的低阶特征交互；

S303：利用基于线性的全局注意力机制使所述用户和项目的高阶特征交互和低阶特征交互发挥不同的作用。

5.根据权利要求4所述的方法，步骤S301进一步包括：所述三层感知器是三层全连接层网络，包括输入层、隐层和输出层。

6.一种推荐系统，包括特征向量化层、兴趣提取层、特征提取层和预测层；其中，所述特征向量化层将原始数据转化为数值数据，将大规模稀疏特征转化为低维密集特征；

所述兴趣提取层获得用户的兴趣表示；

所述特征提取层分别提取用户和项目的高阶特征交互和低阶特征交互，基于线性的全局注意力机制监视高阶特征交互和低阶特征交互对于点击率预测的不同贡献；

所述预测层预测用户是否点击候选项，最终完成向用户推荐项目。

7.根据权利要求6所述的系统，所述特征向量化层进一步包括，用于采用独热编码对原始数据进行向量化的装置；

用于通过建立一个映射函数，将高维稀疏向量映射成低维稠密向量的装置。

8.根据权利要求6所述的系统，所述兴趣提取层进一步包括，用于采用局部注意力机制来学习用户的兴趣表示的装置。

9.根据权利要求6所述的系统，所述特征提取层进一步包括：用于利用三层感知器来捕获用户和项目的高阶特征交互的装置；

用于利用因子分解机组件来捕获用户和项目的低阶特征交互的装置；

用于利用基于线性的全局注意力机制使所述用户和项目的高阶特征交互和低阶特征交互发挥不同的作用的装置。

10.根据权利要求9所述的系统，其中，所述三层感知器是三层全连接层网络，包括输入层、隐层和输出层。