1.一种基于多任务学习的显隐式协同过滤推荐方法，其特征在于，包括以下步骤：S1、数据预处理步骤：将显式反馈和隐式反馈历史交互数据进行整合，使用留一法划分测试集和训练集，再为每一条测试数据和训练数据采样一定数量的负样例，同时将显式反馈整理为评分矩阵；

S2、分别设置模型的三个任务步骤：设置辅助任务1和辅助任务2分别处理显式反馈和隐式反馈，一个主任务用于融合显式反馈和隐式反馈；

S3、整合目标函数步骤：将三个任务的损失进行整合到一个损失函数中，将这个损失函数作为训练模型时的目标函数，然后优化这个目标函数；

S4、获取推荐列表步骤：将用户ID和该用户未交互的物品ID作为输入模型则得到为该用户生成的个性化推荐列表；

所述S2分别设置模型的三个任务：设置辅助任务1和辅助任务2分别处理显式反馈和隐式反馈，一个主任务用于融合显式反馈和隐式反馈，具体包括：(1)设置辅助任务1处理显式反馈：对评分矩阵的行列进行嵌入，分别获取用户和物品的偏好向量eu、di，使用余弦相似度计算eu、di的相似度，再将相似度映射到[0,1]之间得到该任务的最终输出 计算方式为：其中cosine、Sigmoid分别表示余弦相似度和输出层的激活函数；使用交叉熵损失作为该任务的目标函数，该任务的损失LECF计算方式为：

其中u、i分别表示某一用户和某一物品， yui分别表示正样例集合、负样例集合以及用户u和物品i是否有隐式交互；

(2)设置辅助任务2处理隐式反馈：将用户ID和物品ID使用one‑hot向量表示，使用嵌入机制对用户和物品的one‑hot向量进行嵌入获取用户潜在向量pu和物品潜在向量qi；通过内积得到用户u与物品i交互的可能性 计算方式为：使用交叉熵损失作为该任务的目标函数，该任务的损失LICF计算方式如下：

设置主任务融合显式反馈和隐式反馈具体包括：将显式反馈中提取的用户全局偏好向量与隐式反馈中提取的物品潜在向量进行交互得到两个可以表示用户对物品的偏好向量；

获取用户角度下用户u对物品i的偏好向量，将两个偏好向量作为神经网络的输入，获取主任务的输出 计算方式如下：......

其中W*、b*、h*表示某一层的权重、偏置以及输出，*这个符号就代表了2…L，WL就表示第L层神经网络的权重矩阵，α*表示激活函数，隐藏层的激活函数为ReLU，而输出层的激活函数为Sigmoid，σ表示输入层连接两个向量的一种方式，同时聚合两个辅助任务的输出结果得到主任务的输出 计算方式如下：最后使用交叉熵损失函数作为该任务的目标函数，该任务的损失LEICF计算方式如下：设置融合显式反馈和隐式反馈的主任务步骤包括：将显式反馈中获取的全局偏好向量和隐式反馈中获取的潜在向量进行交互，计算方式为：fui＝eu⊙qi

giu＝di⊙pu

其中fui和giu分别表示用户角度下的用户偏好向量和物品角度下的用户偏好向量，⊙表示按向量对应位置相乘。

2.根据权利要求1所述的一种基于多任务学习的显隐式协同过滤推荐方法，其特征在于，所述步骤S1中的数据预处理步骤包括：数据集包括显式反馈和隐式反馈，总的来说包含用户ID、物品ID、评分、是否有隐式交互，用户和物品有隐式交互则标记为1，否则标记为0，同时，将显示反馈记录整合成评分矩阵，其中未评分的位置使用0填充，然后使用留一法将整合后的数据集划分成训练集和测试集。

3.根据权利要求2所述的一种基于多任务学习的显隐式协同过滤推荐方法，其特征在于，所述使用留一法将整合后的数据集划分成训练集和测试集，具体包括：将整合后的数据集中的每一个用户最新的一次交互记录作为测试集，剩余的记录作为训练集。

4.根据权利要求2或3所述的一种基于多任务学习的显隐式协同过滤推荐方法，其特征在于，所述步骤S1再为每一条测试数据和训练数据采样一定数量的负样例，同时将显式反馈整理为评分矩阵，具体包括：为每条测试数据和训练数据采样一定数量的负样例，负样例是指未与用户交互的物品ID，为每一条训练数据采样4条负样例，每一条测试数据采样99个负样例，也就是在100个测试样例测试模型能不能正确地将与用户交互过的那一个物品放进推荐列表中，并且观察该物品在推荐列表的位置，从而评估推荐列表的准确性；将评分数据整理成评分矩阵，rui则为评分矩阵的元素，u和i分别对应着矩阵的第u行和第i列，那么评分矩阵的构造方式为：

5.根据权利要求1所述的一种基于多任务学习的显隐式协同过滤推荐方法，其特征在于，所述S3、整合目标函数具体包括：采用多任务学习中的联合学习方式对模型进行优化，将三个任务的损失进行整合到一个损失函数中，将这个损失函数作为这个模型的目标函数，然后优化这个目标函数，计算方式如下：L＝LEICF+LECF+LICF。

6.根据权利要求5所述的一种基于多任务学习的显隐式协同过滤推荐方法，其特征在于，所述S4获取推荐列表步骤具体包括：将用户ID与物品ID整合成<用户ID,物品ID>对，使用它们的one‑hot表示作为模型的输入，经过模型的计算获取该用户的个性化推荐列表。