1.一种面向用户输入的序列化推荐方法，其特征在于，包括步骤：

对用户的对象序列和对象的文本描述分别进行如下处理：对对象序列，使用卷积神经网络捕获联合级和点级序列特征，且所述卷积神经网络包括卷积层，用于在得到对象序列的嵌入矩阵之后，利用卷积滤波器抽取对象序列的序列化特征，所述卷积层包括水平卷积层和垂直卷积层，且所述卷积滤波器包括水平卷积滤波器和垂直卷积滤波器，所述水平卷积滤波器用于捕获序列的联合级特征，所述垂直卷积滤波器用于捕获序列的点级特征；在所述卷积层中添加自注意力机制，用于在卷积之后提取特征，利用所述自注意力机制来进行特征增强；对对象的文本描述，将对象和对象的文本描述嵌入到高维空间，得到对象和对象的文本描述的嵌入矩阵，采用GRU神经网络和自注意力机制来捕获对象本身的特征；

将捕获的特征进行神经网络运算，具体为在得到卷积层和文本描述层的输出后，将卷积层的输出与文本描述层的输出连接到一起，并将它们输入到线性神经网络以获得更深层次的抽象特征，得到最终的预测输出，根据预测输出确定面向用户输入的对象推荐。

2.根据权利要求1所述的面向用户输入的序列化推荐方法，其特征在于，所述对象包括项目、商品和用户中的任一种。

3.一种面向用户输入的序列化推荐装置，其特征在于，包括处理器和存储器，在存储器上存储有程序，程序由处理器加载运行如权利要求2所述的方法，以及程序由处理器加载运行一种序列化推荐模型；所述一种序列化推荐模型的结构框架包括嵌入层、文本描述层、卷积层和全连接层；

所述嵌入层，用于将对象和对象的文本描述嵌入到高维空间，得到对象和对象的文本描述的嵌入矩阵；

所述文本描述层，用于将组成文本描述的单词通过编码后，通过嵌入矩阵映射到高维语义空间，再通过神经网络和自注意力机制来提取特征；

所述卷积层，用于在得到对象序列的嵌入矩阵之后，利用卷积滤波器抽取对象序列的序列化特征，再利用自注意力机制来进行特征增强；

所述全连接层，用于在得到卷积层和文本描述层的输出后，将卷积层的输出与文本描述层的输出连接到一起，并将它们输入到线性神经网络以获得更深层次的抽象特征。

4.根据权利要求3所述的面向用户输入的序列化推荐装置，其特征在于，在嵌入层中，除了对象和对象的文本描述的嵌入矩阵以外，还包括使用用户的嵌入矩阵来代表用户在高维语义空间的潜在特征。

5.根据权利要求3所述的面向用户输入的序列化推荐装置，其特征在于，在文本描述层中，所述神经网络包括GRU、LSTM和RNN中的任一种。

6.根据权利要求4所述的面向用户输入的序列化推荐装置，其特征在于，在所述全连接层中，还包括将用户的嵌入矩阵和获得的更深层次的抽象特征连接起来，同时为了捕捉之前L个对象和之后T个对象的联系，还包括将之后T个对象的嵌入矩阵和相应的文本描述层的输出连接起来，最后进行最终的运算；其中，L表示历史行为序列的长度，T表示目标序列的长度。

7.根据权利要求3或4所述的面向用户输入的序列化推荐装置，其特征在于，在嵌入层中，所述将对象和对象的文本描述嵌入到高维空间，具体为将前L个对象输入到卷积层来提取对象的序列信息，对于对象的文本描述，将它们的每个单词先进行编码，然后映射到高维语义空间，L表示历史行为序列的长度。

8.根据权利要求5所述的面向用户输入的序列化推荐装置，其特征在于，所述神经网络为GRU时，整个GRU层由多个GRU单元组成，并且GRU单元的数量由对象的文本描述的长度决定；所述通过神经网络和自注意力机制来提取特征具体为使用自注意力机制来处理经过GRU层后的序列数据，自注意力操作将GRU层的输出作为输入，然后通过线性投影将其转换为多个矩阵，并将多个矩阵输入到注意力层；再根据GRU层的输出、线性变换和层标准化处理应用残差连接，得到残差连接后的输出后，应用池化处理来进行数据降维，去除冗余数据中的冗余信息；经过均值池化后得到了文本描述层的最终输出。

9.根据权利要求3所述的面向用户输入的序列化推荐装置，其特征在于，所述水平卷积滤波器为n个水平卷积滤波器，所述垂直卷积滤波器为n个水平卷积滤波器，n为正整数；

在水平卷积层中，在输入嵌入矩阵之后，对象序列的联合级特征由n个水平卷积滤波器提取，每个水平卷积过滤器都有不同的形状，不同的形状将提取不同的联合特征；n个水平滤波器的所有输出都要应用池化处理，最后将结果连接起来得到水平卷积层的最终输出；

在垂直卷积层，在输入嵌入矩阵之后，每个垂直滤波器的形状都是相同的，每个垂直滤波器的输出也是相同的，垂直卷积层的输出由n个垂直滤波器的输出连在一起所组成；

在得到水平卷积层的输出和垂直卷积层的输出后，将它们连接在一起，再利用自注意力机制进行特征提取，然后再应用残差连接，最后得到卷积层的最终输出。