1.一种科技资源的推荐方法，其特征在于，所述方法包括：

采集智能科技服务平台中的科技资源信息以及目标用户信息，并构建出目标用户-科技资源评分矩阵；

基于科技资源的属性信息，利用所述用户-科技资源评分矩阵计算出各个科技资源之间的耦合对象相似度；

基于科技资源之间的耦合对象相似度，构建包含科技资源属性信息的正则化项；

利用矩阵分解算法对该正则项进行处理，并构建出评分模型的损失函数；根据随机梯度下降方法优化损失函数分别求得目标用户以及科技资源的隐向量，并对应求解出最优的目标用户隐特征矩阵和科技资源隐特征矩阵；

根据最优的目标用户隐特征矩阵和科技资源隐特征矩阵，利用评分模型计算出目标用户对不同科技资源的评分值；

将计算出的所有科技资源评分值进行排序，并将评分值最高的前N个科技资源作为目标用户的推荐集合，并向目标用户输出推荐资源列表结果。

2.根据权利要求1所述的一种科技资源的推荐方法，其特征在于，所述S1中，采用余弦相似度度量由类别型数据计算科技资源之间的相似度，根据以下公式计算各个科技资源之间的耦合对象相似度：其中， 表示科技资源i1与科技资源i2之间的耦合对象相似度；n为科技资源的属性个数； 是科技资源对象 在属性Aj上的取值 与科技资源对象 在属性Aj上的取值 的耦合属性相似度。

3.根据权利要求2所述的一种科技资源的推荐方法，其特征在于，所述S1中，耦合属性相似度是通过特征内耦合属性相似度和特征间耦合属性相似度的乘积计算而得，定义为：其中， 表示属性Aj的取值x与取值y之间的特征内耦合属性相似度；

表示属性Aj的取值x与取值y之间的特征间耦合属性相似度；

特征内耦合属性相似度的计算公式表示为：

其中，gj(x)表示科技资源对象集合O中属性Aj上取值等于x的数据对象集合；gj(y)表示科技资源对象集合O中属性Aj上取值等于y的数据对象集合；|gj(x)|表示这个数据对象集合gj(x)中集合元素的个数；|gj(y)|表示这个数据对象集合gj(y)中集合元素的个数；

特征间耦合属性相似度的计算公式表示为：

其中，αk是属性Aj的权重参数， n表示科技资源对象集合O中属性个

数；δj|k(x,y)是属性值x与y在属性Ak(k≠j)下的特征间耦合属性相似度，定义为：其中，∩为属性Aj取值为x条件下属性Ak的所有取值集合，与属性Aj取值y条件下属性Ak的所有取值集合的交集；Pk|j({w}|x)表示属性Aj取值为x的条件下，属性Ak取值为w的条件概率；Pk|j({w}|y)表示属性Aj取值为y的条件下，属性Ak取值为w的条件概率。

4.根据权利要求1所述的一种科技资源的推荐方法，其特征在于，所述包含科技资源属性信息的正则化项的构建方式包括：其中，β是第零正则化控制参数，用于控制科技资源属性信息的影响程度；n表示科技资源的属性个数；Si,i′表示属性信息的科技资源i和科技资源i′之间的相似度；qi表示科技资源i隐藏特征向量因子； 表示二范式；tr表示正则化标签；Q表示科技资源矩阵；

为拉普拉斯矩阵，S表示由科技资源对之间的耦合对象相似度所构成科技资源相似度矩阵；D为对焦矩阵，对角元素Dii＝∑i′＝1Si,i′。

5.根据权利要求1所述的一种科技资源的推荐方法，其特征在于，求解出目标用户隐特征矩阵和科技资源隐特征矩阵的过程包括以下步骤：利用矩阵分解算法对所述目标用户-科技资源评分矩阵进行分解，在分解后的矩阵中分别加入科技资源属性信息的正则化项，并构建出评分模型的损失函数；

利用梯度下降算法进行迭代，根据损失函数的局部最小找到其最速下降方向，从而取得评分模型的用户隐藏特征向量因子和科技资源隐藏特征向量因子；

将这些隐藏特征向量因子根据梯度方向做相应调整，从而求解出目标用户隐藏特征P和科技资源隐藏特征矩阵Q。

6.根据权利要求5所述的一种科技资源的推荐方法，其特征在于，所述损失函数的构建公式表示为：其中，L(P,Q)表示用户与科技资源间的损失函数；R表示用户-科技资源的评分矩阵，(u,i)为用户u与科技资源i所构成的可观测项，Rui表示用户u对科技资源i的评分；Ω表示用户对科技资源的评分矩阵R中可观测项(u,i)的集合； 表示二范式，即Frobenius范数，λ1为第一正则化控制参数，λ2为第二正则化控制参数， 称为罚项；β是第零正则化控制参数，用于控制科技资源属性信息的影响程度；n为科技资源的属性个数；cos(i,i′)表示科技资源之间的耦合相似度；P,Q分别表示用户隐藏特征矩阵和科技资源隐藏特征矩阵，pu是矩阵P中的向量元素，表示用户u隐藏特征向量因子；qi是矩阵Q中的向量元素，表示科技资源i隐藏特征向量因子。

7.根据权利要求5所述的一种科技资源的推荐方法，其特征在于，所述损失函数的构建公式表示为：通过随机梯度下降方法进行一次迭代，由损失函数的局部最小找到其最速下降方向，从而取得损失函数最小时所对应的评分模型参数Pu和qi，计算式子如下：其中，Iui表示用户u与科技资源i之间的指示函数，当其值等于1表示用户u评价过科技资源i，其值等于0时表示用户u没有评价过科技资源i；N表示科技资源数量；g(x)为logistic函数，使得预测分数控制在[0，1]之间，g′(x)＝exp(x)/(1+exp(-x))2是g(x)的导数；α是在预测评分时隐因子q和其近邻之间的平衡因子，表示科技资源依赖其本身和近邻的程度；Wij表示科技资源i与科技资源j间的耦合对象相似度；p,q分别表示用户隐藏特征矩阵和科技资源隐藏特征矩阵；Pu是矩阵P中的向量元素，度量了用户对相应的科技资源属性感兴趣的程度；qi是矩阵Q中的向量元素，表示科技资源i隐藏特征向量因子；rui表示用户u对科技资源i的预测评分；N(i)是与科技资源i最相似的K个近邻资源集合；m表示用户总数；

Wkj表示科技资源k与科技资源j间的耦合对象相似度；λp表示第三正则化控制参数，λq表示第四正则化控制参数。

8.根据权利要求5所述的一种科技资源的推荐方法，其特征在于，隐藏特征向量因子的学习过程的公式如下所示：其中， 表示第k+1次迭代时的用户隐藏特征向量因子； 表示第k+1次迭代时的科技资源隐藏特征向量因子； 表示第k次迭代时的用户隐藏特征向量因子； 表示第k次迭代时的科技资源隐藏特征向量因子；η表示学习率；L表示损失函数，通过对应的隐因子适当地根据逆梯度方向做相应调整。

9.根据权利要求1所述的一种科技资源的推荐方法，其特征在于，所述S4中，所述评分模型是利用目标用户隐特征矩阵和科技资源隐特征矩阵中的内积构建而得，表示为：其中，rui表示用户u对科技资源i的预测评分； 表示目标用户隐特征矩阵P和科技资源隐特征矩阵Q中的内积；qi表示科技资源隐特征矩阵中的科技资源i。

10.一种科技资源的推荐系统，其特征在于，所述推荐系统包括：

采集模块，用于智能科技服务平台中的科技资源信息以及目标用户信息；

矩阵构建模块，用于根据科技资源和目标用户的对应关系，计算出目标用户-科技资源评分矩阵；

相似度计算模块，用于计算各个科技资源间的耦合对象相似度；

正则项模块，用于构建出包含科技资源属性信息的正则化项；

矩阵分解模块，用于对目标用户-科技资源评分矩阵进行分解，并分解出两个低维度的目标用户矩阵P和科技资源矩阵Q；

评分模型构建模块，用于构建出评分模型，并构建出其中的损失函数；

模型训练模块，对损失函数利用随机梯度下降方法进行优化训练，并计算出最优的目标用户隐特征矩阵和科技资源隐特征矩阵；

评价计算模块，将计算出的最优的目标用户隐特征矩阵和科技资源隐特征矩阵代入评分模型中，求取出目标用户对不同科技资源的评分值；

推荐模块，将评分值最高的前N个科技资源推送给目标用户。