1.一种基于深度学习的短视频直播营销任务推荐方法，其特征在于，包括如下步骤：(1)获取播主用户的相关直播营销数据和用户的历史行为数据，其中播主用户的相关直播营销数据为： 用户的历史行为数据为：Xs表示按照销量排序的带货播主带货数据的行为特征集合，表示第k个带货播主带货数据的行为特征，Xb表示按照时间顺序排列的用户历史行为特征集合， 代表序列中第k个历史行为特征；

(2)构建召回模型，通过DNN神经网络结合注意力机制构建召回模型，召回模型包括输入层、嵌入层、提取层、隐藏层、输出层；

召回模型的输入层：输入的序列包括用户行为序列 直播营销数据序列

召回模型的嵌入层：将高维的用户行为序列，嵌入为低维稠密的特征向量，初始化嵌入矩阵Ab，得到嵌入后的低维稠密用户行为特征向量序列 嵌入矩阵Ab公式如下：

其中， 为 嵌入后的低维稠密特征；

将高维的直播营销数据序列，嵌入为低维稠密的特征向量，初始化嵌入矩阵As，得到嵌入后的低维稠密直播营销数据特征向量序列 嵌入矩阵As公式如下：

其中， 为 嵌入后的低维稠密特征；

召回模型的提取层：

(i)利用点积法，分别计算两个嵌入后的特征向量序列中，特征向量与查询向量的相关程度：其中， 对应 或 q表示查询向量，wk表示特征向量与查询向量q之间的相关权重；

(ii)使用Softmax函数对权重wk进行归一化，得到归一化后的权重(iii)将 与特征 相乘并累加，得到基本注意力机制的最终输出结果其中， 为低维稠密用户行为特征向量序列对应的注意力机制输出结果 或低维稠密直播营销数据特征向量序列对应的注意力机制输出结果(iv)召回模型提取层输出的用户行为序列为 召回模型提取层输出的直播营销序列为 其中，K表示经过基本注意力机制之后的用户行为序列和直播营销序列的特征总数，使用Concat函数将 和 进行拼接，得到向量召回模型的隐藏层：负责对召回模型的训练，将提取层的输出向量作为隐藏层的输入，使用深度神经网络进行召回模型训练，该网络拥有3层，使用监督学习的方式，得到训练好的召回模型；

训练过程为：

其中，u表示最终学习的用户向量；MLP(·)表示多层感知机，其中，经过每层网络后，使用Relu激活函数，作为下一层的输入部分；

召回模型的输出层：分为训练和在线服务两个部分；

在训练部分：将召回模型隐藏层的输出，通过Softmax函数进行归一化，得到代表每个任务类型的权重向量E＝[e1,...,eP]，其中，P代表直播任务类型的总数；再通过分类，得到拟推荐用户的营销任务类型的典型任务集合 N1为拟向用户推荐的任务类型的数量，N1≤P；

在线服务部分：用于实际应用阶段，采用最近邻算法，根据L1，从直播营销任务数据库中，计算出与每个类型的典型任务最相似的前N个任务，作为对应类型的拟向用户推荐目标任务集合；

(3)出现新任务时，实施冷启动策略；构建排序模型，模型的输入包括拟推荐目标任务集合、人口统计学特征和用户行为特征，输出为任务的点击概率；

所述出现新任务时，实施冷启动策略，具体包括：判断步骤(2)得到的拟向用户推荐目new标任务集合中是否存在新出现的直播任务t ；

new

如果出现新的直播任务，则实施冷启动策略，针对新直播任务t 的任务类型，计算新new直播任务t 与直播营销任务数据库中其他任务的余弦相似度scos；

其中，tj为直播营销任务数据库中第j个其他任务，||     ||表示求二范数；

new

对得到的余弦相似度scos进行排序，选择与t 相似度最高的K1个任务，加入对应任务类型的集合；对所有新任务实施冷启动策略后，得到的拟推荐目标任务集合作为排序模型的输入t；

如没有出现新的直播任务，则直接将步骤(2)得到的拟向用户推荐目标任务集合作为t，输入排序模型；

所述构建排序模型，模型的输入包括拟推荐目标任务集合、人口统计学特征和用户行为特征，输出为任务的点击概率，具体包括：排序模型的输入层：将用户的人口统计学特征 拟推荐的目标任务集合t和用户行为特征Xb作为输入，其中 表示第n2个人口统计学特征，N2表示人口统计学特征的总数；

排序模型的嵌入层：将高维输入的用户行为特征Xb、人口统计学特征p和拟推荐目标任务集合t，分别嵌入低维稠密的特征向量，初始化嵌入矩阵A1、A2、A3，得到嵌入后的低维稠密人口统计学特征向量集合 嵌入后的低维稠密用户行为特征向量集合 嵌入后的低维稠密拟推荐目标任务集合其中 作为排序模型注意力层的输入；

嵌入矩阵A1、A2、A3公式如下：

排序模型的注意力层:使用基本注意力机制，获取不同的用户行为特征对于任务预测的重要性，计算出排序模型注意力层输出的用户行为特征其中， 表示提取的第k个注意力特征；i2＝1～K，用于求和，K表示用户行为特征的数(k) (k)量；w 和b 为第k个学习的参数，tanh为双曲正切函数；

使用Concat函数拼接特征，作为排序模型隐藏层的输入ζ：其中， 表示注意力层输出的用户行为特征；

排序模型的隐藏层:使用Relu激活函数，作为下一层的输入部分，由于排序模型是一个二分类排序模型，使用二分类交叉熵损失函数，作为排序模型的优化函数L2；

其中，U为训练集中的样本数， 为训练集中第i3个样本的用户的真实点击概率， 为排序模型预测的第i3个样本的点击概率；

排序模型的输出层:由于排序模型是一个二分类模型，使用Softmax得到预测的点击概率:其中， 为排序模型预测的点击概率,W为可学习的参数矩阵，D为排序模型隐藏层的输出值，b为偏置参数；

(4)选择点击概率最高的F个任务进行推荐。

2.根据权利要求1所述基于深度学习的短视频直播营销任务推荐方法，其特征在于，所new述选择与t 相似度最高的K1个任务中，K1≤N。