1.基于属性贡献度掩码的多源数据融合商品推荐方法，包括如下步骤：

1)收集数据：通过网络收集对于饮料的评论，包括图片，文字，视频，经过处理后存入到数据集S0中；

2)训练自编码器：由于往往从网络上收集的数据为多源数据，包含非结构化，半结构化以及结构化数据，对于非结构化数据或者半结构化数据需要进行结构化，采用自编码器的方法进行求解，首先对自编码器进行训练，具体方法如下：

2.1)自编码器是一个自监督学习的算法，将数据进行降维，通过训练映射f:x→x`，从而训练神经模型，具体方法如下:(Ⅰ)已有无标签的数据集S0，将其中的70％存入空数据集S01中，作为训练集，剩余的

30％的数据作为验证集存入空数据集S02中；

(Ⅱ)利用训练集中数据，训练子网络M11来学习映射f1:x→z，其中z为一个维度小于m的数据，将所得到的z存入数据集S13中；

(Ⅲ)利用得到的数据集S13中的数据z作为输入训练子网络M12，学习映射f:z→x`，其中x`为一个和原数据x相同维度的数据，将所得的x`存入数据集中(Ⅳ)利用反向传播对两个子网络进行调整，将距离度量最小化的方式，来获得最终所需要的自编码器M1，其中距离度量的计算公式如下：其中n代表训练的数据的数量，L代表距离度量；

3)提取降维数据：根据步骤2)中已训练的自编码器M1对于多元数据进行融合，将已有数据集S0中需要融合的数据x输入到自编码器M1中，将所得到的中间产生的数据z取出，由于自编码器中间数据z相当于对于输入数据进行了一次降维，因此相当于提取了数据中的共同特征；

4)融合数据：将S0中的数据与其对应的中间数据z进行相加，将所得结果存入数据集S1中，作为训练模型的数据；

5)训练深度模型：利用数据集S1中的数据训练深度模型M2，使用反向传播技术进行训练，将损失函数最小化，具体损失函数如下：

6)计算权重：通过步骤5)初步获得一个商品评分模型M2，但其中各维度属性权重依旧相同，为了提高准确度，使用掩膜的方法进行解决，具体方法如下：

6.1)将S1中的数据输入到已有的评分模型M2中，即可获得输出结果即评分f(x)，每个数据都对应一个输出结果f(xi)；

6.2)对于每个数据评分f(xi)进行求导工作，求导结果gia,即为第i个数据中第a维数据对于输出结果f(xi)的影响程度，其中求导的具体公式如下：其中i代表为第i个数据，xia代表第i个数据的第a维度数据；

6.3)对于每一维度的gia进行求均值，具体公式如下：gia代表第i个数据第a维度数据数据求导的结果，n为总数据数；

6.4)对于掩膜w进行求解，求解w的具体公式如下：wa＝lg(|ga|) (5)

ga代表的是第a维度的平均影响程度；

7)调整权重：根据公式(5)获得每个维度的权重，接下来对于每个数据中每一维度的权重进行微调，微调的具体公式为：xia＝xia*wa (6)

8)重训练模型：对评分预测模型M2进行重训练，训练方式同步骤5)，训练结果即最终的评分预测模型M2；

9)对新产品进行评分预测：由于新产品样本数据较少，因此无法采用步骤1)～8)进行评分预测，因此本发明采用了知识图谱的方式进行预测，利用老产品数据预测新产品数据，具体方式如下：

9.1)收集老用户以及老商品的相关数据，存入数据集S2中；

9.2)计算老用户相互之间，老商品相互之间，老用户以及老商品之间的相关系数ρ，若相关系数大于0.5，则在两者之间进行联系的建立操作，相关系数的具体计算公式如下：

9.3)利用深度优先遍历算法对于用户与商品之间的联系进行求解，具体方式如下：(Ⅰ)设定初始点为老用户所处的位置；

(Ⅱ)根据不同路径对于用户和商品间的相关程度进行计算，其值为路径中经过所有边所带的相关系数之积，其具体公式如下：ρx,y＝ρx,y*ρa*b (8)

其中ρa*b为路径中两点的相关系数；

(Ⅲ)选取某用户以及某商品之间相关系数最大的路径，该路径对应的相关系数作为最终该用户与该商品之间的相关系数；

9.4)建立新用户，新商品与知识图谱的联系，计算新用户与老用户以及老商品之间的相关系数，大于0.5即视为建立联系；

9.5)计算新用户，新商品与各个节点之间的评分，计算公式如下：ρi,j代表的是第j个老用户对第i个老商品的评分，simx,i代表一个人为评定的新商品与第i个老商品的相似程度，n为数据总量；

10)制定推荐方案：至此本发明的推荐系统已成功建立，可以进行新老产品的评分预测，根据评分结果进行推荐。