1.一种基于生成对抗网络的多样性推荐方法，其特征在于，所述方法包括：通过矩阵分解得到用户矩阵和物品矩阵；所述用户矩阵中包括用户对物品的偏好信息，所述物品矩阵中包括物品的特征信息；

将用户对物品的偏好信息和物品的特征信息输入到生成对抗网络，进行对抗学习以生成推荐物品；

采用最大边缘相关多样性算法对推荐物品进行排序，并向用户输出排序靠前的若干推荐物品。

2.根据权利要求1所述的一种基于生成对抗网络的多样性推荐方法，其特征在于，所述通过矩阵分解得到用户矩阵和物品矩阵包括获得用户和物品之间的历史交互数据，采用矩阵分解法获得用户与物品之间的潜在向量表示，并划分为用户矩阵和物品矩阵。

3.根据权利要求1所述的一种基于生成对抗网络的多样性推荐方法，其特征在于，所述将用户对物品的偏好信息和物品的特征信息输入到生成对抗网络，进行对抗学习以生成推荐物品包括利用生成器挑选出用户偏好的可能物品；将挑选出的物品输入到判别器中与用户偏好的真实物品进行判别，采用对抗学习的方式以训练生成器和判别器。

4.根据权利要求3所述的一种基于生成对抗网络的多样性推荐方法，其特征在于，所述对抗学习的过程包括随机初始化生成器的参数；采用训练集对所述生成器和所述判别器进行预训练；每轮训练过程中生成器生成k个物品，使用基于强化学习的策略梯度法来更新生成器的参数，并连续训练多轮生成器；使用当前训练过程生成器生成的物品作为假样本，将训练集中的相关性较高的样本作为真实样本；连续训练多次判别器，并通过真实样本和生成的假样本的对数似然函数的相关性来更新判别器的参数。

5.根据权利要求1所述的一种基于生成对抗网络的多样性推荐方法，其特征在于，所述采用最大边缘相关多样性算法对推荐物品进行排序包括利用用户活跃度和用户交互的所有物品所涉及的种类数量计算出用户兴趣深度；对所述用户兴趣深度做对数平滑，将对数平滑后的用户兴趣深度作为多样性权重，利用最大边缘相关多样性算法求取出物品排序。

6.根据权利要求5所述的一种基于生成对抗网络的多样性推荐方法，其特征在于，所采用的最大边缘相关多样性算法的计算公式表示为：其中，R表示输入的列表，即输入的物品集合；S表示返回的物品集合；R\S表示在输入的物品集合去掉了返回的物品集合中；d(u)是用户u的兴趣深度， k(u)表示用户u的活跃度；w(u)表示用户u交互的所有物品所涉及的种类数量；λ表示用户参数，即调节排序结果相关与多样性的权重系数；Di表示物品集合R\S中的第i个物品；Dj表示返回的物品集合S中的第j个物品；Sim1(Di,u)表示物品Di与用户u之间的相关度；Sim2(Di,Dj)表示物品Di与物品Dj之间的相似度。

7.一种基于生成对抗网络的多样性推荐装置，其特征在于，包括：矩阵分解模块，用于得到用户矩阵和物品矩阵，其中所述用户矩阵中包括用户对物品的偏好信息，所述物品矩阵中包括物品的特征信息；

生成对抗网络模块，将用户对物品的偏好信息和物品的特征信息输入到生成对抗网络，进行对抗学习以生成推荐物品；

排序模块，用于采用最大边缘相关多样性算法对推荐物品进行排序；

推荐模块，用于向用户输出排序靠前的若干推荐物品。

8.一种服务器，其特征在于，包括存储器和处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：通过矩阵分解得到用户矩阵和物品矩阵；所述用户矩阵中包括用户对物品的偏好信息，所述物品矩阵中包括物品的特征信息；

将用户对物品的偏好信息和物品的特征信息输入到生成对抗网络，进行对抗学习以生成推荐物品；

采用最大边缘相关多样性算法对推荐物品进行排序，并向用户输出排序靠前的若干推荐物品。