1.一种基于个性化CNN的社交网络普通小众用户代表性标签推荐方法，其特征在于，包括以下步骤：获取用户在社交软件上发布的原始内容数据，对原始内容数据进行预处理，得到预处理后的内容数据；

将预处理后的内容数据输入到word2vec模型中，得到每一个句子中每个词的词向量表示，一个句子中每个词的词向量表示为：其中，wordi表示第i个词， 表示第i个词的向量表示，n表示一个句子共有n个词；

取每个词在word2vec模型中对应的词向量进行拼接，获得一个句子的词向量特征矩阵，词向量特征矩阵表示如下：其中，Sw表示词向量特征矩阵，en表示第n个词的向量表示，n表示Sw一共划分出n个词；

获取用户的个人属性特征向量info，将词向量特征与用户的个人属性特征向量info相拼接，构成输入矩阵；

将输入矩阵输入CNN模型，在CNN模型中通过卷积、池化、全连接层的计算，最终输出用户的代表性标签，即用户的话题标签；

根据CNN模型输出的用户的代表性标签，通过聚类算法构建社交网络图，输出与用户相似的群组或用户感兴趣的群组，对用户进行话题标签推荐和群组推荐。

2.根据权利要求1所述的一种基于个性化CNN的社交网络普通小众用户代表性标签推荐方法，其特征在于，所述预处理包括：对于原始内容数据中的每个句子，首先进行分词处理，提取分词，然后从提取的分词中删去停止词以及无意义的词组，保留有意义的词组，得到预处理后的内容数据，预处理后的内容数据表示为：Sw＝[w1，w2，...，wn]，其中，Sw表示原始内容数据中的任意一条内容数据，wn表示划分后的第n个词组，n表示一条内容数据共划分n个词。

3.根据权利要求1所述的一种基于个性化CNN的社交网络普通小众用户代表性标签推荐方法，其特征在于，用户的个人属性特征向量info为用户年龄向量age、用户的教育程度向量education以及用户的所在地向量place拼接而成的向量，用户年龄向量age、用户的教育程度向量education以及用户的所在地向量place分别表示如下：age＝(a1，a2，...，ax)，x∈用户的年龄取值总数education＝(edu1，edu2，...，eduy)，y∈用户的教育程度取值总数place＝(p1，p2，...，pz)，z∈用户的所在地取值总数其中，ax表示第x个年龄表示，x表示一共有x种年龄的取值，eduy表示第y种教育程度表示，y表示一共有y种教育程度的取值，pz表示第z种用户所在地，z表示一共有z种用户所在地。

4.根据权利要求1所述的一种基于个性化CNN的社交网络普通小众用户代表性标签推荐方法，其特征在于，所述输入矩阵为： 其中，Sw表示词向量特征矩阵，info表示用户的个人属性特征向量。

5.根据权利要求1所述的一种基于个性化CNN的社交网络普通小众用户代表性标签推荐方法，其特征在于，通过聚类算法构建社交网络图具体包括：首先根据用户的代表性标签计算两两用户之间的相似度；

再根据两两用户的相似度值，采用聚类算法对相似度高的用户进行聚类，得到用户感兴趣的话题和群组。

6.根据权利要求5所述的一种基于个性化CNN的社交网络普通小众用户代表性标签推荐方法，其特征在于，采用余弦相似度来计算两两用户之间的相似度包括：其中，sim_tw(i，j)指用户i与用户j之间的相似度， 表示用户i与用户j具有相同N个标签值的乘积总和， 表示用户i具有的X个标签值和用户j具有的Y个标签值的所有标签值的乘积。

7.根据权利要求1所述的一种基于个性化CNN的社交网络普通小众用户代表性标签推荐方法，其特征在于，所述CNN模型包括卷积层、最大池化层、两个全连接层和softmax层；数据在CNN模型中处理的具体过程包括：S31、首先通过卷积层提取主要的特征，将每个卷积核的最大值作为主要特征：其中， 表示最终提取的特征， 表示第2个卷积核提取的特征，n表示一共有n个卷积核；

S32、将从多个卷积核中提取的特征组合为一个新特征向量V：其中， 表示第n个卷积核大小提取的特征；

S33、利用最大池化层降低新特征向量V的维度；

Vpooing＝maxpooling(V)

其中，Vpooing表示经过最大池化层后的新特征向量，maxpooling(V)表示对新特征向量V进行最大池化处理；

S34、通过两个全连接层提取新的特征，将Vpooing输入到第一个全连接层，并用ReLU函数作为激活函数；再输入到第二个全连接层，最终得到经过两个全连接层后的特征V1，如下所示：V1＝f1(Vpooing*W1+b1)；

其中，Vpooing表示经过最大池化层后的新特征向量，W1表示权重，b1表示偏差函数，f1表示ReLU函数；

S35、最后将V1通过SoftMax层，最终输出一个最具有代表性的标签O，输出表示如下：O＝f2(V1*W2+b2)；

其中，O表示CNN模型输出的用户的代表性标签，W2表示经过两个全连接层后的特征V1的权重，b2表示偏差函数，f2表示SoftMax函数。