1.一种问答社区专家推荐方法，其特征在于，包括：获取问答社区上的目标问题；

利用预先训练好的推荐模型处理所述目标问题，得到所述目标问题在所述问答社区内对应的一个最优专家用户，作为目标专家用户；其中，预先训练好的推荐模型由训练集训练得到；所述训练集包括：所述问答社区内的多个问题，以及标记某专家用户是所述多个问题中的某个问题的最优专家用户的标签，以及标记某专家用户不是所述多个问题中的某个问题的最优专家用户的标签；

将所述目标问题推荐给所述目标专家用户。

2.根据权利要求1所述的问答社区专家推荐方法，其特征在于，由训练集训练得到预先训练好的推荐模型时，确定某专家用户是否为某个问题的最优专家用户包括：将所述某个问题数据进行向量化表示，得到该问题的显式表示向量；

将候选专家用户数据进行向量化表示，得到专家用户显式表示向量；

构建问题‑专家用户交互网络，将所有候选问题集合和候选专家用户通过图结构进行隐式表示，从中得到问题隐式表示向量和候选专家用户隐式表示向量；

结合问题显式表示向量与问题隐式表示向量，得到问题最终表示向量；结合专家用户显式表示向量与专家用户隐式向量，得到专家用户最终表示向量；

基于问题最终表示向量和专家用户最终表示向量，计算候选专家用户为该某个问题的专家的概率得分，得分高的为该问题的最优专家用户。

3.根据权利要求2所述的问答社区专家推荐方法，其特征在于，获取问题显式表示向量包括：

将问题标题文本信息进行词向量化嵌入，获取问题的标题表示向量；

将问题内容文本信息进行词向量化嵌入，获取问题的内容表示向量；

将问题标签信息进行词向量化嵌入，获取问题的标签表示向量；

将问题的标题表示向量、问题的内容表示向量和问题的标签表示向量进行拼接，得到最终的问题显式表示向量。

4.根据权利要求2所述的问答社区专家推荐方法，其特征在于，获取专家用户显式表示向量包括：

对候选专家用户的历史回答过的问题进行向量化表示，得到专家用户兴趣动态表示向量；

对候选专家用户的历史回答过的问题对应的用户回答进行向量化表示，得到专家用户专业知识动态表示向量；

对候选专家用户的标签信息进行向量化表示，得到专家用户长期兴趣表示向量；

将专家用户兴趣动态表示向量、专家用户专业知识动态表示向量和专家用户长期兴趣表示向量进行拼接，得到最终的专家用户显式表示向量。

5.根据权利要求2所述的问答社区专家推荐方法，其特征在于，获取问题隐式表示向量和专家用户隐式表示向量包括：

基于构建的问题‑专家用户交互网络，结合Deepwalk的邻域路由算法来迭代分析潜在的序列信息，生成问题语料库和专家用户语料库；

在生成的问题语料库、专家用户语料库上分别使用Word2vec学习隐式嵌入，最终生成问题隐式表示向量和专家用户隐式表示向量。

6.根据权利要求2所述的问答社区专家推荐方法，其特征在于，计算概率得分包括：对问题最终表示向量和专家用户最终表示向量进行点积；基于点积结果，比较问题最终表示向量和专家用户最终表示向量的相似度，判断当前用户是否会接受问题的邀请；依据相似度比较结果提取稠密信息；使用Sigmoid函数将数据结果映射到[0,1]之间，即为用户成为此问题专家的概率得分。

7.一种问答社区专家推荐系统，其特征在于，包括：获取模块，用于获取问答社区上的目标问题；

配对模块，用于利用预先训练好的推荐模型处理所述目标问题，得到所述目标问题在所述问答社区内对应的一个最优专家用户，作为目标专家用户；其中，预先训练好的推荐模型由训练集训练得到；所述训练集包括：所述问答社区内的多个问题，以及标记某专家用户是所述多个问题中的某个问题的最优专家用户的标签，以及标记某专家用户不是所述多个问题中的某个问题的最优专家用户的标签；

发送模块，用于将所述目标问题推荐给所述目标专家用户。

8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1‑6任一项所述的问答社区专家推荐方法的指令。

9.一种计算机程序，其特征在于，所述计算机程序当在一个或多个处理器上运行时，用于实现如权利要求1‑6任一项所述的问答社区专家推荐方法。

10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行如权利要求1‑6任一项所述的问答社区专家推荐方法。