1.一种课程推荐方法，其特征在于，所述方法包括：根据每个用户观看每门课程的多种观看行为及每门课程的课程标签计算得到第一用户标签矩阵，所述第一用户标签矩阵为稀疏矩阵；

根据所述第一用户标签矩阵计算得到标签课程矩阵；

根据每个课程标签的标记次数及每门课程的观看次数计算目标惩罚因子，所述目标惩罚因子表示每个课程标签下的每门课程的惩罚程度；

使用潜在狄利克雷分布扩展所述第一用户标签矩阵为第二用户标签矩阵，包括：使用潜在狄利克雷分布根据每门课程的课程介绍提取多个课程主题及每个课程主题的后验概率；对每门课程的多个所述后验概率进行倒序排序；获取排序在前预设第二数量的后验概率对应的目标课程主题；确定所述目标课程主题作为对应课程的扩展标签；根据所述扩展标签更新所述第一用户标签矩阵得到第二用户标签矩阵；

根据所述第二用户标签矩阵、所述标签课程矩阵及所述目标惩罚因子计算得到用户课程矩阵；

根据所述用户课程矩阵生成用户课程推荐列表。

2.如权利要求1所述的课程推荐方法，其特征在于，所述根据每个用户观看每门课程的多种观看行为及每门课程的课程标签计算得到第一用户标签矩阵包括：计算每个用户观看每门课程的每种观看行为的行为次数；

根据每种观看行为的行为次数及对应的预设行为权重计算每个用户对于每门课程的课程偏好程度；

根据每个用户对于每门课程的课程偏好程度，计算每个用户对于具有相同课程标签的课程的标签偏好程度；

根据每个用户的标签偏好程度构建第一用户标签矩阵。

3.如权利要求2所述的课程推荐方法，其特征在于，所述根据所述用户课程矩阵生成用户课程推荐列表包括：

根据所述用户课程矩阵获取每个用户对每门课程的偏好程度；

将每个用户对每门课程的偏好程度进行倒序排序；

根据排序在前预设第一数量的课程偏好程度对应的课程生成第一用户课程推荐列表；

计算所述第一用户课程推荐列表中每两个课程之间的相似度；

获取所述相似度中大于预设相似度阈值的目标相似度；

将每个目标相似度对应的两个课程中偏好程度最小的课程从所述第一用户课程推荐列表中删除，得到第二用户课程推荐列表。

4.如权利要求1所述的课程推荐方法，其特征在于，所述根据每个课程标签的标记次数及每门课程的观看次数计算目标惩罚因子包括：基于每个课程标签的标记次数构造第一惩罚因子；

基于每门课程的观看次数构造第二惩罚因子；

根据所述第一惩罚因子及所述第二惩罚因子计算得到目标惩罚因子。

5.如权利要求1至4中任意一项所述的课程推荐方法，其特征在于，根据所述第二用户标签矩阵、所述标签课程矩阵及所述惩罚因子计算用户课程矩阵包括：根据所述第二用户标签矩阵及所述标签课程矩阵计算得到第一用户课程矩阵；

根据所述第一用户课程矩阵及所述惩罚因子计算得到第二用户课程矩阵。

6.如权利要求1至4中任意一项所述的课程推荐方法，其特征在于，所述方法还包括：提取每个课程中的多个分词，并根据每个分词的词热度确定多个热词；

根据用户观看课程的观看行为计算每个热词的热词分享热度；

根据所述热词分享热度计算每门课程的课程分享热度；

根据所述课程分享热度计算每个课程标签的标签分享热度；

根据所述标签分享热度确定目标课程标签。

7.一种课程推荐装置，其特征在于，所述装置包括：第一计算模块，用于根据每个用户观看每门课程的多种观看行为及每门课程的课程标签计算得到第一用户标签矩阵，所述第一用户标签矩阵为稀疏矩阵；

第二计算模块，用于根据所述第一用户标签矩阵计算得到标签课程矩阵；

第三计算模块，用于根据每个课程标签的标记次数及每门课程的观看次数计算目标惩罚因子，所述目标惩罚因子表示每个课程标签下的每门课程的惩罚程度；

标签扩展模块，用于使用潜在狄利克雷分布扩展所述第一用户标签矩阵为第二用户标签矩阵，包括：使用潜在狄利克雷分布根据每门课程的课程介绍提取多个课程主题及每个课程主题的后验概率；对每门课程的多个所述后验概率进行倒序排序；获取排序在前预设第二数量的后验概率对应的目标课程主题；确定所述目标课程主题作为对应课程的扩展标签；根据所述扩展标签更新所述第一用户标签矩阵得到第二用户标签矩阵；

第四计算模块，用于根据所述第二用户标签矩阵、所述标签课程矩阵及所述目标惩罚因子计算得到用户课程矩阵；

课程推荐模块，用于根据所述用户课程矩阵生成用户课程推荐列表。

8.一种计算机设备，其特征在于，所述计算机设备包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至6中任意一项所述的课程推荐方法。

9.一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6中任意一项所述的课程推荐方法。