1.一种个性化物联网实体推荐方法，其特征在于，该方法具体包括以下步骤：S1：采集用户历史数据，包括IoT实体评分、社交域和地理位置信息；

S2：数据抽象化：服务器端处理采集的用户历史数据，获取项目域自适应部分的输入、社交域自适应部分的输入和特征嵌入部分的输入；

S3：提取偏好特征：服务器端采用APTE推荐模型，获取用户项目域和社交域的偏好特征；其中，APTE表示自适应偏好迁移；

APTE模型是利用注意力机制根据项目域和社交域自适应部分的输入分配非均匀权重，具体包括：C I S

S31：将步骤S2获取的u ,u ,u输入每个域中的两层注意力机制网络，得到项目域和社C交域共享反馈嵌入u的权重，计算公式为：

I S

其中，u 表示用户与项目域的特定偏好嵌入，u 表示用户与社交域的特定偏好嵌入，C和 分别是项目域和社交域共享反馈嵌入u的权重，它们决定了在每个域中迁移的比例； 表示项目域特定嵌入， 表示社交域特定嵌入；α和β是自适应迁移的参数，是项目域的注意力， 是社交域的注意力，d是嵌入向量的维度，k是注意机制网络的维度，σ是非线性激活函数ReLU；

S32：通过域自适应部分后，获取注意力机制权重，用softmax归一化表示为：其中， 和 表示项目域和社交域共享注意力机制权重； 和 表示项目域和社交域特定注意力机制权重；

S33：根据步骤S32获得注意力机制权重后，计算用户u对项目域和社交域的偏好特征，计算公式为：其中， 和 分别表示经过域自适应迁移部分后用户u对项目域和社交域的偏好特征；

S4：获取轻量级特征：采用轻量级卷积网络即使用两层网络代替复杂的卷积神经网络，获取实体项目和社交关系的最终特征表示，具体包括以下步骤：S41：轻量级卷积网络是使用两层网络代替复杂的卷积网络，定义如下：其中，Xu表示社交域的交互矩阵，Ri表示项域的交互矩阵， 表示项目域特征输入，表示社交域特征输入；

S42：使用步骤S41中R和X分别表示作用于实体项目域和社交域交互矩阵；在轻量级卷积网络中对称归一化项 只聚合已连接的用户或项目，而不聚合用户或项目本身；

S43：在轻量级卷积网络中，能训练的模型参数是第0层的嵌入，即所有用户的社交关系和所有实体项目 当它们已知时，更高层的嵌入通过步骤S41中定义的轻量级卷积网络来计算；根据步骤S42在K层轻量级卷积网络传播之后，组合在每一层获得的嵌入以形成实体项目和社交关系的最终特征，表示为：其中，gt和qv表示经过特征嵌入部分后获取增强的项目域和社交域用户的反馈嵌入，αk≥0表示第k层嵌入在构成最终嵌入中的权重；

S44：将步骤S43中αk设置为1/(k+1)；预测部分建立在矩阵分解的基础上，预测部分旨在生成一个分数，该分数表明用户对某个项目或朋友的社交关系偏好；由步骤S33得到的偏好特征向量后，对于每个领域任务使用特定的输出层；

其中， 表示用户u对物品v的得分， 表示用户u对另一个用户t的得分， 表示项目域注意力机制， 表示社交域注意力机制；

S5：优化APTE推荐模型参数：采用基于频率的加权策略优化APTE推荐模型参数，具体包括：(1)项目域的损失函数 定义如下：

其中，hI,i和hI,j表示项目域的输出层， 和 表示迁移后的用户反馈嵌入向量，qv,i和+qv,j表示项目v的潜在因子向量， 表示迁移的权重，B表示每个批次迭代的用户集合，V 表示项目集合；

(2)社交域的损失函数 定义如下：

其中，hS,i和hS,j表示社交域的输出层， 和 表示迁移后的社交域特征嵌入向量，+gt,i和gt,j表示社交关系潜在因子向量， 表示社交域缺失函数总体权重，U 表示用户集合；

(3)将项目域和社交域的子任务整合到一个统一的多任务学习框架中，以社交域作为辅助训练域，并以项目域作为全局损失函数 表示为：其中，μ表示权重调节参数；

S6：用户推荐：当用户打开物联网终端设备时，服务器端使用优化后的APTE推荐模型计算匹配出对应的智慧实体状态数据，将Top‑k个实体数据直接返回用户终端，并将用户反馈信息上传服务器端，完成整个实体推荐过程。

2.根据权利要求1所述的个性化物联网实体推荐方法，其特征在于，步骤S1中，所述IoT实体评分是物理实体的评分信息；所述社交域即用户与用户之间的社交关系信息；地理位置信息是指用户的地理位置映射信息。

3.根据权利要求1所述的个性化物联网实体推荐方法，其特征在于，步骤S2中，所述项I目域自适应部分的输入包括用户与项目域的特定偏好嵌入u和项目域和社交领域之间共C享的社交关系反馈嵌入u；所述社交域自适应部分的输入包括用户与社交域的特定偏好嵌S C入u和项目域和社交域之间共享的社交关系反馈嵌入u；所述特征嵌入部分的输入包括项目域和社交域的输入分别是 和 其中，n表示嵌入维度。