1.一种短视频推荐方法，其特征在于，包括以下步骤：获取目标视频的两个特征向量，所述目标视频包含有用户兴趣隐私信息，所述两个特征向量包括所述目标视频的视觉特征向量、音频特征向量和文本特征向量中的任意两个特征向量；

计算得到目标融合张量，将所述目标融合张量通过Tucker分解成一个核心张量和三个因子矩阵，将所述目标视频的两个特征向量与核心张量和三个因子矩阵进行融合，并在融合过程中为核心张量通过差分隐私添加与所述核心张量对应大小的噪声，得到融合后的目标特征隐私向量；

将所述目标特征隐私向量与目标用户的特征向量输入到神经协同过滤学习模型中，得到所述神经协同过滤学习模型输出的最终预测结果；

根据所述最终预测结果判断是否向所述目标用户推荐所述目标视频。

2.根据权利要求1所述的一种短视频推荐方法，其特征在于，所述计算得到目标融合张量，包括：

步骤(1)、获取第t个融合张量，将所述第t个融合张量通过Tucker分解成一个核心张量和三个因子矩阵，将所述目标视频的两个特征向量与核心张量和三个因子矩阵进行融合，并在融合过程中为核心张量通过差分隐私添加与所述核心张量对应大小的噪声，得到第t个融合后的特征隐私向量；t为统计变量且t的初始值为1；

步骤(2)、将第t个融合后的特征隐私向量与目标用户的特征向量输入到神经协同过滤学习模型中，得到所述神经协同过滤学习模型输出的第t次预测结果；

步骤(3)、通过损失函数判断所述第t次预测结果是否满足预设的真实值，若所述第t次预测结果不满足所述预设的真实值，则根据所述第t次预测结果与所述预设的真实值之间的区别值计算得到第t+1个融合张量，令t＝t+1，跳转至步骤(1)，直至所述第t次预测结果满足所述预设的真实值，得到所述目标融合张量。

3.根据权利要求2所述的一种短视频推荐方法，其特征在于，计算所述特征隐私向量的计算公式包括：

其中，所述向量 和 为所述目标视频的两个特征向量，所述 为融合张量且(1) (2) (3)

所 述A ，A ，A 为因 子矩阵 ，所述 为 核心张量 ，所述η为噪音张量，所述 为所

述目标特征隐私向量。

4.根据权利要求2所述的一种短视频推荐方法，其特征在于，在所述步骤(3)中，还包括：判断所述第t次是否等于预设的最大迭代次数，若等于所述预设的最大迭代次数，则使所述第t次预测结果为所述最终预测结果。

5.根据权利要求3所述的一种短视频推荐方法，其特征在于，所述噪音张量η中的每个元素 且是从密度函数 中独立随机选取，所述满足ε‑差分隐私，所述ε为隐私预算。

6.根据权利要求1所述的一种短视频推荐方法，其特征在于，所述神经协同过滤学习模型具体为多层感知机。

7.根据权利要求1所述的一种短视频推荐方法，其特征在于，计算所述最终预测结果的计算公式包括：

其中，所述 表示第X层感知机的映射函数，所述 为所述最终预测结果，所述所述 分别表示第X层感知机的权重矩阵，偏差向量，激活函数以及输出层的边权重。

8.根据权利要求2所述的一种短视频推荐方法，其特征在于，所述损失函数的计算公式为：

其中，所述bceloss为所述区别值，所述target为所述预设的真实值，所述output为所述预测结果，所述n为样本数量。

9.一种短视频推荐系统，其特征在于，包括：数据获取模块，用于获取目标视频的两个特征向量，所述目标视频包含有用户兴趣隐私信息，所述两个特征向量包括所述目标视频的视觉特征向量、音频特征向量和文本特征向量中的任意两个特征向量；

数据融合模块，用于计算得到目标融合张量，将所述目标融合张量通过Tucker分解成一个核心张量和三个因子矩阵，将所述目标视频的两个特征向量与核心张量和三个因子矩阵进行融合，并在融合过程中为核心张量通过差分隐私添加与所述核心张量对应大小的噪声，得到融合后的目标特征隐私向量；

数据输出模块，用于将所述目标特征隐私向量与目标用户的特征向量输入到神经协同过滤学习模型中，得到所述神经协同过滤学习模型输出的最终预测结果；

视频推荐模块，用于根据所述最终预测结果判断是否向所述目标用户推荐所述目标视频。

10.一种短视频推荐设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至8任一项所述的一种短视频推荐方法。