1.一种基于特征交互信息和时间张量分解的项目推荐方法，其特征在于，应用于项目推荐模型，所述项目推荐模型包括特征编码层、特征提取层和学习预测层，其中，所述特征提取层包括DeepTF模块与DeepATF模块，所述学习预测层包括GMF‑TF模块、GMF‑ATF模块与预测模块；

所述方法包括：

步骤1，在特征编码层对用户的历史交互数据进行one‑hot编码，得到用户编号、项目编号、时间编号的one‑hot编码，然后将用户编号、项目编号、时间编号的one‑hot编码分别与潜在因子矩阵相乘，得到用户潜在特征向量、项目潜在特征向量、时间潜在特征向量；

步骤2，将用户潜在特征向量、项目潜在特征向量、时间潜在特征向量输入至DeepTF模块，经过多层感知机操作，得到用户深度特征、项目深度特征、时间深度特征，同时，将用户潜在特征向量、项目潜在特征向量、时间潜在特征向量输入至DeepATF模块，在DeepATF模块中，每一层神经网络的输出输入至下一层的注意力网络，进而得到DeepATF模块的多层注意力用户特征输出、DeepATF模块的多层注意力项目特征输出、DeepATF模块的多层注意力时间特征输出；

步骤3，将用户深度特征、项目深度特征、时间深度特征输入至GMF‑TF模块，将DeepATF模块的多层注意力用户特征输出、DeepATF模块的多层注意力项目特征输出、DeepATF模块的多层注意力时间特征输出输入至GMF‑ATF模块，通过广义矩阵分解学习得到用户、项目和时间三者间的二阶特征交互信息，将二阶特征交互信息输入至预测模块得到用户对项目的预测评分值；

步骤4，通过目标函数计算预测评分值与真实评分值间的损失，将损失最小化，再通过反向传播优化目标函数参数，完成算法收敛，进而得到最终的预测评分值，再根据最终的预测评分值向用户提供项目推荐列表；

步骤 2 中，用户深度特征满足以下条件式：

；

；

；

；

其中， 为DeepTF模块的用户多层感知机中第一层对应的用户过渡特征， 为第一激活函数， 为DeepTF模块的用户多层感知机中第一层对应的权重矩阵， 为用户潜在特征向量， 为DeepTF模块的用户多层感知机中第一层对应的偏置向量， 为DeepTF模块的用户多层感知机中第n‑1层对应的用户过渡特征， 为DeepTF模块的用户多层感知机中第n‑1层对应的权重矩阵， 为DeepTF模块的用户多层感知机中第n‑2层对应的用户过渡特征， 为DeepTF模块的用户多层感知机中第n‑1层对应的偏置向量， 表示用户深度特征， 为DeepTF模块的用户多层感知机中第n层对应的权重矩阵；

步骤2中，项目深度特征满足以下条件式：

；

；

；

；

其中， 为DeepTF模块的项目多层感知机中第一层对应的项目过渡特征， 为DeepTF模块的项目多层感知机中第一层对应的权重矩阵， 为项目潜在特征向量， 为DeepTF模块的项目多层感知机中第一层对应的偏置向量， 为DeepTF模块的项目多层感知机中第n‑1层对应的项目过渡特征， 为DeepTF模块的项目多层感知机中第n‑1层对应的权重矩阵， 为DeepTF模块的项目多层感知机中第n‑2层对应的项目过渡特征， 为DeepTF模块的项目多层感知机中第n‑1层对应的偏置向量， 表示项目深度特征， 为DeepTF模块的项目多层感知机中第n层对应的权重矩阵；

步骤2中，时间深度特征满足以下条件式：

；

；

；

；

其中， 为DeepTF模块的时间多层感知机中第一层对应的时间过渡特征， 为DeepTF模块的时间多层感知机中第一层对应的权重矩阵， 为时间潜在特征向量， 为DeepTF模块的时间多层感知机中第一层对应的偏置向量， 为DeepTF模块的时间多层感知机中第n‑1层对应的时间过渡特征， 为DeepTF模块的时间多层感知机中第n‑1层对应的权重矩阵， 为DeepTF模块的时间多层感知机中第n‑2层对应的时间过渡特征， 为DeepTF模块的时间多层感知机中第n‑1层对应的偏置向量， 表示时间深度特征， 为DeepTF模块的时间多层感知机中第n层对应的权重矩阵；

步骤2中，DeepATF模块的多层注意力用户特征输出满足以下条件式：；

；

；

；

；

其中， 是DeepATF模块的用户多层感知机中第1层对应的用户特征输出， 是DeepATF模块的用户多层感知机中第1层对应的权重矩阵， 是DeepATF模块的用户多层感知机中第1层对应的偏置向量， 是DeepATF模块的用户多层感知机中第1层注意力网络的用户特征输出， 是softmax函数， 是DeepATF模块的用户多层感知机中第1层注意力网络的权重矩阵， 是DeepATF模块的用户多层感知机中第1层注意力网络的偏置向量， 是DeepATF模块的用户多层感知机中第n层对应的用户特征输出， 是DeepATF模块的用户多层感知机中第n层对应的权重矩阵， 是DeepATF模块的用户多层感知机中第n‑1层注意力网络的用户特征输出， 是DeepATF模块的用户多层感知机中第n层对应的偏置向量， 是通过多层注意力网络提取的用户特征向量， 是DeepATF模块的用户多层感知机中第n层注意力网络的权重矩阵， 是DeepATF模块的用户多层感知机中第n层注意力网络的偏置向量， 是DeepATF模块的用户多层感知机中第n‑1层对应的用户特征输出；

步骤2中，DeepATF模块的多层注意力项目特征输出满足以下条件式：；

；

；

；

；

其中， 是DeepATF模块的项目多层感知机中第1层对应的项目特征输出， 是DeepATF模块的项目多层感知机中第1层对应的权重矩阵， 是DeepATF模块的项目多层感知机中第1层对应的偏置向量， 是DeepATF模块的项目多层感知机中第1层注意力网络的项目特征输出， 是DeepATF模块的项目多层感知机中第1层注意力网络的权重矩阵， 是DeepATF模块的项目多层感知机中第1层注意力网络的偏置向量， 是DeepATF模块的项目多层感知机中第n层对应的项目特征输出， 是DeepATF模块的项目多层感知机中第n层对应的权重矩阵， 是DeepATF模块的项目多层感知机中第n‑1层注意力网络的项目特征输出， 是DeepATF模块的项目多层感知机中第n层对应的偏置向量，是通过多层注意力网络提取的项目特征向量， 是DeepATF模块的项目多层感知机中第n层注意力网络的权重矩阵， 是DeepATF模块的项目多层感知机中第n层注意力网络的偏置向量， 是DeepATF模块的项目多层感知机中第n‑1层对应的项目特征输出；

步骤2中，DeepATF模块的多层注意力时间特征输出满足以下条件式：；

；

；

；

；

其中， 是DeepATF模块的时间多层感知机中第1层对应的时间特征输出， 是DeepATF模块的时间多层感知机中第1层对应的权重矩阵， 是DeepATF模块的时间多层感知机中第1层对应的偏置向量， 是DeepATF模块的时间多层感知机中第1层注意力网络的时间特征输出， 是DeepATF模块的时间多层感知机中第1层注意力网络的权重矩阵， 是DeepATF模块的时间多层感知机中第1层注意力网络的偏置向量， 是DeepATF模块的时间多层感知机中第n层对应的时间特征输出， 是DeepATF模块的时间多层感知机中第n层对应的权重矩阵， 是DeepATF模块的时间多层感知机中第n‑1层注意力网络的时间特征输出， 是DeepATF模块的时间多层感知机中第n层对应的偏置向量，是通过多层注意力网络提取的时间特征向量， 是DeepATF模块的时间多层感知机中第n层注意力网络的权重矩阵， 是DeepATF模块的时间多层感知机中第n层注意力网络的偏置向量， 是DeepATF模块的时间多层感知机中第n‑1层对应的时间特征输出；

步骤3中，将用户深度特征、项目深度特征、时间深度特征输入至GMF‑TF模块，通过广义矩阵分解学习得到用户、项目和时间三者间的二阶特征交互信息，表达式如下：；

；

；

其中， 为GMF‑TF模块中用户与项目的二阶特征交互向量， 为GMF‑TF模块中用户与时间的二阶特征交互向量， 为GMF‑TF模块中项目与时间的二阶特征交互向量，为第二激活函数， 为与 对应的权重矩阵， 为与 对应的权重矩阵， 为与 对应的权重矩阵， 为与 对应的偏置向量， 为与 对应的偏置向量， 为与 对应的偏置向量， 表示点乘；

步骤3中，将DeepATF模块的多层注意力用户特征输出、DeepATF模块的多层注意力项目特征输出、DeepATF模块的多层注意力时间特征输出输入至GMF‑ATF模块，通过广义矩阵分解学习得到用户、项目和时间三者间的二阶特征交互信息，表达式如下：；

；

；

其中， 为GMF‑ATF模块中用户与项目的二阶特征交互向量， 为GMF‑ATF模块中用户与时间的二阶特征交互向量， 为GMF‑ATF模块中项目与时间的二阶特征交互向量， 为与 对应的权重矩阵， 为与 对应的权重矩阵，为与 对应的权重矩阵， 为与 对应的偏置向量， 为与

对应的偏置向量， 为与 对应的偏置向量；

步骤3中，预测评分值满足以下条件式：

；

；

；

；

；

其中， 表示在时间 时，用户 对项目 的预测评分值； 、 、 、 为预测模块的权重矩阵；表示隐藏层数； 、 、 、 为预测模块的偏置向量， 、 、 、为中间值；

步骤4中，目标函数损失最小化的表达式为：

；

其中， 为采用Adam梯度下降法的损失最小化函数； 表示在时间 时，用户对项目 的真实评分值；U、V、T分别为用户、项目、时间的潜在因子矩阵，、、分别表示用户、项目、时间的总数。