1.一种全局因子分解的多特征融合网络兴趣预测方法，其特征在于，包括以下步骤：S1：采集用户文本信息和项目文本信息，并生成嵌入层特征矩阵；

S2：根据嵌入层特征矩阵，生成用户全局特征和项目全局特征；

S3：根据用户全局特征、项目全局特征和嵌入层特征矩阵，计算再分配的嵌入层特征矩阵；

S4：对再分配的嵌入层特征矩阵进行混合交互，得到交互特征向量；

S5：将交互特征向量和嵌入层特征矩阵进行拼接，得到融合向量；

S6：将融合向量作为深度神经网络的输入，训练深度神经网络，并利用训练后的深度神经网络获取兴趣预测值。

2.根据权利要求1所述的全局因子分解的多特征融合网络兴趣预测方法，其特征在于，所述步骤S1中，嵌入层特征矩阵E包括用户的特征嵌入向量U和项目的特征嵌入向量I，其表达式为：E＝[U,I]＝[e1,e2,...,em，..,em+n]式中，e1,...,em表示m个用户嵌入特征，em+1,...,em+n表示m+n个项目嵌入特征。

3.根据权利要求1所述的全局因子分解的多特征融合网络兴趣预测方法，其特征在于，所述步骤S2中，用户全局特征Ug和项目全局特征Ig的表达式分别为：式中，ei表示第i个用户嵌入特征，ej表示第j个项目嵌入特征。

4.根据权利要求1所述的全局因子分解的多特征融合网络兴趣预测方法，其特征在于，所述步骤S3包括以下子步骤：S31：将用户全局特征和项目全局特征作为嵌入层的输入，计算嵌入层特征矩阵的均值；

S32：根据嵌入层特征矩阵的均值，计算嵌入层特征矩阵的权重向量；

S33：根据嵌入层特征矩阵的权重向量，计算再分配的嵌入层特征矩阵。

5.根据权利要求4所述的全局因子分解的多特征融合网络兴趣预测方法，其特征在于，所述步骤S31中，嵌入层特征矩阵的均值zi的计算公式为：式中，ei表示第i个用户嵌入特征，k表示每个特征的嵌入维度；

所述步骤S32中，嵌入层特征矩阵的权重向量A的计算公式为：A＝σ2(W2σ1(W1Z))

式中，Z表示嵌入层特征矩阵的均值向量，σ1(·)表示第一激活函数，σ2(·)表示第二激活函数，W1表示第一学习参数，W2表示第二学习参数；

所述步骤S33中，再分配的嵌入层特征矩阵V的计算公式为：V＝[a1·e1,…,ap·ep]＝[v1,…,vp]式中，E表示嵌入层特征矩阵，a1,…,ap表示权重因子，e1,…,ep表示嵌入特征，v1,…,vp表示再分配的嵌入层特征向量。

6.根据权利要求1所述的全局因子分解的多特征融合网络兴趣预测方法，其特征在于，所述步骤S4中，交互特征向量pij的计算公式为：pij＝vi·W⊙vj

式中，v1,…,vj表示再分配的嵌入层特征向量，W表示参数矩阵。

7.根据权利要求1所述的全局因子分解的多特征融合网络兴趣预测方法，其特征在于，所述步骤S6中，深度神经网络的损失函数Logloss的表达式为：式中，N表示训练集大小，yh表示训练样本h的标签， 表示深度神经网络的输出。