1.一种基于人工智能的数据推荐方法，其特征在于，包括：响应于数据推荐指令，获取源数据域的第一矩阵，并获取目标数据域的第二矩阵；

若确定获取到目标用户唯一标识，则获取所述目标用户唯一标识在所述第一矩阵中对应的第一行向量，在所述第一矩阵或所述第二矩阵中获取与所述第一行向量之间的相似度超出预设相似度阈值的行向量，并将获取到的所述行向量组成相似向量集合；

根据所述相似向量集合，在所述第二矩阵中获取相应的相似用户行向量集合，将所述相似用户行向量集合中每一行向量对应用户标识按所述目标用户唯一标识进行更新得到更新后向量集合，将所述更新后向量集合中所包括更新后行向量根据预设的合并策略进行合并得到第一向量集合；

将所述第一向量集合中的行向量根据预设的排序策略进行排序得到第二向量集合，获取所述第二向量集合中所具有行排序值未超出预设的行排序值阈值的行向量组成目标行向量集合，获取所述目标行向量集合中所具有预设的字段名称的取值组成第一推荐数据集合；

获取联邦学习模型，将所述更新后向量集合输入至所述联邦学习模型进行运算，得到第二推荐数据集合；以及

获取默认推荐数据集合，将所述第一推荐数据集合、所述第二推荐数据集合及所述默认推荐数据集合通过预设的投票策略或平均策略进行数据集成，得到最终推荐数据集合；

所述获取联邦学习模型，将所述更新后向量集合输入至所述联邦学习模型进行运算，得到第二推荐数据集合之前，还包括：获取参与方集合以及模型更新轮次，并获取待训练联邦学习模型；

根据所述参与方集合中各个参与方的资源分配信息，获取各个参与方的本地模型更新所需时间及上传更新所需时间；

获取各个参与方发送的加密模型参数；

将各个参与方发送的加密模型参数进行聚合，得到聚合模型参数；

将所述聚合模型参数加密得到加密聚合模型参数，将所述加密聚合模型参数发送至各个参与方；

若确定加密聚合模型参数未满足使所述待训练联邦学习模型的损失函数收敛，或者是确定加密聚合模型参数未满足使所述待训练联邦学习模型的迭代次数达到所述模型更新轮次，获取各个参与方发送的更新加密模型参数，以所述更新加密模型参数对所述加密模型参数进行更新，返回执行将各个参与方发送的加密模型参数进行聚合，得到聚合模型参数的步骤；

若确定加密聚合模型参数满足使所述待训练联邦学习模型的损失函数收敛，或者是确定加密聚合模型参数满足使所述待训练联邦学习模型的迭代次数达到所述模型更新轮次，获取所述聚合模型参数作为所述待训练联邦学习模型，得到联邦学习模型。

2.根据权利要求1所述的基于人工智能的数据推荐方法，其特征在于，所述获取源数据域的第一矩阵，包括：

获取源数据域的第一初始矩阵；

获取所述第一初始矩阵中每一行向量所属文章标签类别，将具有相同用户和相同文章标签类别的行向量进行汇总合并，得到第一矩阵。

3.根据权利要求1所述的基于人工智能的数据推荐方法，其特征在于，所述在所述第一矩阵或所述第二矩阵中获取与所述第一行向量之间的相似度超出预设相似度阈值的行向量，并将获取到的所述行向量组成相似向量集合，包括：在所述第一矩阵中通过计算获得各行向量与所述第一行向量之间的余弦相似度，得到与所述第一行向量之间的相似度超出预设相似度阈值的行向量组成相似向量集合；

或者在所述第二矩阵中通过计算获得各行向量与所述第一行向量之间的余弦相似度，得到与所述第一行向量之间的相似度超出预设相似度阈值的行向量组成相似向量集合。

4.根据权利要求3所述的基于人工智能的数据推荐方法，其特征在于，所述根据所述相似向量集合，在所述第二矩阵中获取相应的相似用户行向量集合，包括：获取所述相似向量集合的用户标识集合，在所述第二矩阵中获取具有所述用户标识集合中用户标识的行向量组成相似用户行向量集合。

5.根据权利要求3所述的基于人工智能的数据推荐方法，其特征在于，所述根据所述相似向量集合，在所述第二矩阵中获取相应的相似用户行向量集合，包括：将所述相似向量集合中每一相似向量作为相似用户行向量，组成相似用户行向量集合。

6.根据权利要求1所述的基于人工智能的数据推荐方法，其特征在于，所述将所述第一向量集合中的行向量根据预设的排序策略进行排序得到第二向量集合，包括：将所述第一向量集合中的行向量根据预设字段的取值降序排序，得到第二向量集合。

7.一种基于人工智能的数据推荐装置，其特征在于，包括：矩阵获取单元，用于响应于数据推荐指令，获取源数据域的第一矩阵，并获取目标数据域的第二矩阵；

相似向量集合获取单元，用于若确定获取到目标用户唯一标识，则获取所述目标用户唯一标识在所述第一矩阵中对应的第一行向量，在所述第一矩阵或所述第二矩阵中获取与所述第一行向量之间的相似度超出预设相似度阈值的行向量，并将获取到的所述行向量组成相似向量集合；

第一向量集合获取单元，用于根据所述相似向量集合，在所述第二矩阵中获取相应的相似用户行向量集合，将所述相似用户行向量集合中每一行向量对应用户标识按所述目标用户唯一标识进行更新得到更新后向量集合，将所述更新后向量集合中所包括更新后行向量根据预设的合并策略进行合并得到第一向量集合；

第一推荐集获取单元，用于将所述第一向量集合中的行向量根据预设的排序策略进行排序得到第二向量集合，获取所述第二向量集合中所具有行排序值未超出预设的行排序值阈值的行向量组成目标行向量集合，获取所述目标行向量集合中所具有预设的字段名称的取值组成第一推荐数据集合；

第二推荐集获取单元，用于获取联邦学习模型，将所述更新后向量集合输入至所述联邦学习模型进行运算，得到第二推荐数据集合；以及最终推荐数据获取单元，用于获取默认推荐数据集合，将所述第一推荐数据集合、所述第二推荐数据集合及所述默认推荐数据集合通过预设的投票策略或平均策略进行数据集成，得到最终推荐数据集合；

所述基于人工智能的数据推荐装置还包括：联邦学习初始获取单元，用于获取参与方集合以及模型更新轮次，并获取待训练联邦学习模型；

联邦学习参数获取单元，用于根据所述参与方集合中各个参与方的资源分配信息，获取各个参与方的本地模型更新所需时间及上传更新所需时间；

加密模型参数获取单元，用于获取各个参与方发送的加密模型参数；

参数聚合单元，用于将各个参与方发送的加密模型参数进行聚合，得到聚合模型参数；

聚合参数分发单元，用于将所述聚合模型参数加密得到加密聚合模型参数，将所述加密聚合模型参数发送至各个参与方；

第一执行单元，用于若确定加密聚合模型参数未满足使所述待训练联邦学习模型的损失函数收敛，或者是确定加密聚合模型参数未满足使所述待训练联邦学习模型的迭代次数达到所述模型更新轮次，获取各个参与方发送的更新加密模型参数，以所述更新加密模型参数对所述加密模型参数进行更新，返回执行将各个参与方发送的加密模型参数进行聚合，得到聚合模型参数的步骤；

第二执行单元，用于若确定加密聚合模型参数满足使所述待训练联邦学习模型的损失函数收敛，或者是确定加密聚合模型参数满足使所述待训练联邦学习模型的迭代次数达到所述模型更新轮次，获取所述聚合模型参数作为所述待训练联邦学习模型，得到联邦学习模型。

8.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于人工智能的数据推荐方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的基于人工智能的数据推荐方法。