1.一种基于交往行为的用户价值预测方法，其特征在于，所述方法包括：构建用户的多个行为的时间序列，并输入所述多个行为的时间序列至长短期记忆神经网络中；

基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；

基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；

更新所述长短期记忆神经网络每个时刻的隐层状态，并基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；

根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。

2.如权利要求1所述的基于交往行为的用户价值预测方法，其特征在于，所述构建用户的多个行为的时间序列包括：获取多个环节的关键指标；

根据所述多个环节的关键指标获取用户的多个关键行为及每个关键行为的时间点；

按照时间顺序构建所述多个关键行为的时间序列。

3.如权利要求1所述的基于交往行为的用户价值预测方法，其特征在于，所述基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度包括：获取所述长短期记忆神经网络中上一时刻的隐层状态及上一时刻的单元状态；

根据所述上一时刻的隐层状态及所述上一时刻的单元状态生成行为注意力层的输入参数；

将每个行为的时间序列作为所述行为注意力层的键；

根据所述输入参数及每个键计算对应行为的时间序列的关注度。

4.如权利要求3所述的基于交往行为的用户价值预测方法，其特征在于，所述根据所述输入参数及每个键计算对应行为的时间序列的关注度包括：通过全连接层计算所述输入参数及每个键的相似度，得到第一注意力度；

通过第一softmax层对每个第一注意力度进行归一化，得到每个行为的时间序列的关注度；

其中，所述全连接层采用如下公式计算第k个行为的时间序列的第一注意力度：，

及 为需要学习的参数， 为k个行为的时间序列在t时刻的第一注意力度；

其中，所述第一softmax层采用如下公式计算第k个行为的时间序列的关注度：， ，

为第k个行为的时间序列在t时刻的关注度， 衡量了在t时刻第k个行为的重要程度。

5.如权利要求4所述的基于交往行为的用户价值预测方法，其特征在于，所述基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度包括：基于更新后的每个时刻的隐层状态构建时间注意力机制；

通过所述时间注意力机制计算每个时刻的第二注意力度；

通过第二softmax层对每个第二注意力度进行归一化，得到每个时刻的关注度；

其中，所述时间注意力机制采用如下公式计算每个时刻的第二注意力度：，

为预设的权重，为预设的偏置项，为i时刻的第二注意力度，所述第二Softmax层采用如下公式进行归一化：为i时刻的关注度。

6.如权利要求5所述的基于交往行为的用户价值预测方法，其特征在于，所述根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值包括：根据所述每个时刻的关注度及对应时刻的隐层状态，在时间维度上进行求和计算得到和值；

通过全连接层计算所述和值，并预测出所述用户购买产品的概率；

对所述概率进行映射，得到所述用户的价值。

7.如权利要求1至6中任意一项所述的基于交往行为的用户价值预测方法，其特征在于，所述方法还包括：确定所述用户当前所处的目标环节；

根据所述用户的价值及所述目标环节对所述用户进行分组；

采用分组对应的推荐策略向所述用户发送推荐信息。

8.一种基于交往行为的用户价值预测装置，其特征在于，所述装置包括：构建模块，用于构建用户的多个行为的时间序列，并输入所述多个行为的时间序列至长短期记忆神经网络中；

计算模块，用于基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；

训练模块，用于基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；

更新模块，用于更新所述长短期记忆神经网络每个时刻的隐层状态，并基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；

预测模块，用于根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于交往行为的用户价值预测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于交往行为的用户价值预测方法。