1.一种融合协同过滤与Embedding技术的混合推荐方法，其特征在于，包括步骤：

S1：数据预处理，先将数据进行处理，对数据进行清洗和将数据转化为指定的格式；

S2：用 ALS 算法训练隐语义模型，根据用户评分表和商品数据集计算用户商品推荐矩阵；

S3：网络节点的向量化，采用Embedding 中的node2vec模型实现节点向 量化，添加商品的侧面信息，完成了商品的向量化之后，计算商品对应特征向量间的余弦值，然后进行推荐，将距离目标商品最近的商品推荐给用户，步骤3.1：构建网络结构，先根据商品浏览序列构造网络，由于浏览序列在时间上存在先后关系，所以形成的网络结构图是一个有向图，其中节点表示不同商品，边表示此对商品在同一序列中存在共现，箭头的指向表示浏览的顺序，边权重表示两者在所有序列中共现的次数；

步骤3.2：采用node2vec实现节点向量化，在网络结构图的基础上，运用node2vec算法对节点进行向量化，在此之前需要完成模型的参数设置，设置模型随机游走的步长walk length，对于每个节点的游走次数为num walks，随机游走的两个转移概率分别设为 节点向量的维数dim，向量训练时采用Skip‑Gram模型，设置其训练窗口的大小window size，迭代次数iter，最终得到商品的向量表示；

步骤3.3：添加商品的侧面信息，侧面信息包括商品品牌、归属种类、线上评分，侧面信息是对商品信息的补充，将侧面信息加入到商品的向量表示中，如果原本的商品向量维数为X，加入的方式是采用不同的权值加入作为商品向量的新属性，通过比较聚类效果，最终将这三个指标以λ1、λ2、λ3的权值分别补充为商家的第X+1维、X+2维和X+3维，最终得到的商维数为X+3维，前X维表示商品的原有属性，后三维表示商品的侧面补充信息；

步骤3.4：匹配相似商品，完成了商品的向量化之后，针对商品间的相似性进行向量度量，在所构成的空间中实现相似商品的合并聚类，此时两个节点间的相似度便转化为两个向量之间相似度问题，在空间中，距离越近表示差异越小，距离越远表示差异越大，根据向量之间距离的度量标准，此处采用向量间的余弦值作为度量标准，通过测量两个向量间的夹角与矢量长度，该方法定义两个向量之间的余弦值为：，

其中 表示两个不同的商品向量，表示向量之间的夹角，

由以上公式刻画出的是两个商品向量在空间上的位置距离，两个商品向量之间的余弦值越大说明两者在空间上的距离越近，相似性越高，反之亦然，每个商品由此可以得到余弦值，每个值表示其余商品与该商品的相似度，最后筛选出每个商品对应余弦值排名前N 的商品作为最相似商品的匹配序列，然后按照从小到大的顺序进行 Top‑N 推荐；

S4：对ALS算法和 Node2vec算法的推荐结果进行加权组合，得到最终的混合推荐结果。

2.如权利要求1所述的融合协同过滤与Embedding技术的混合推荐方法，其特征在于，步骤1.1：将用户—服饰评分数据集按照 8:2 的比例随机的分为训练集和测试集，训练集用于对 ALS 的模型进行训练，测试集用于计算 RMSE 和MAE的值和验证推荐算法的准确性；

步骤1.2：将训练集转换为一个 Rating()类型的 RDD，并保存在内存中，在训练 ALS模型时使用，将数据集中的商品名提取出来，将所有的商品名保存在一个 Array[]类型的RDD，并保存在内存中，在 node2vec 生成商品名对应的维度时使用。

3.如权利要求1所述的融合协同过滤与Embedding技术的混合推荐方法，其特征在于，步骤2.1：从数据库的用户评分表中读取用户ID uid，商品ID pid作为用户评分数据集；

步骤2.2：通过ALS算法训练隐语义模型，首先进行模型的参数定义：隐特征向量的维度rank、迭代次数iterations、正则化系数λ，其中rank代表了模型的复杂度，是指每个用户特征和每个商品特征有几个特征值；iterations是模型训练的次数，给定一个训练上限；λ是防止过拟合参数；

步骤2.3：从数据库加载用户评分表，随机切分数据集划分为训练集和测试集，将 80%的数据作为训练集，20%的数据作为测试集；

步骤2.4：使用均方根误差RMSE和平均绝对误差MAE作为模型的评估标准，即计算预测评分和真实评分之间的误差；

步骤2.5：通过ALS算法训练隐语义模型model并得到预测评分，分别往模型传入参数trainData、rank、iterations和λ，基于预测评分和真实评分之间的误差求RMSE和MAE；

步骤2.6：通过调整参数值，选取值RMSE和MAE最小的参数作为模型优化的选择，RMSE和MAE取值越小就代表在测试集上表现越好；

步骤2.7：经训练计算得到最佳参数，即隐语义模型优化完成；

步骤2.8：获取用户推荐矩阵，基于用户和商品的隐特征向量计算预测评分，根据评分高低得到用户的推荐列表；

步骤2.9：计算用户ID uid，商品ID pid的笛卡尔积，产生(uid，pid)的元组，得到用户‑商品的空评分矩阵；

步骤2.10：调用通过ALS算法训练的隐语义模型中predict方法，将空评分矩阵传入得到用户‑商品的预测评分；

步骤2.11：通过filter函数过滤出预测评分大于 0 的项，然后基于用户ID uid做分组聚合得到评分列表；

步骤2.12：对于列表里的预测结果按预测分值进行排序，返回值最大的K个商品作为当前用户的推荐结果。

4.如权利要求1所述的融合协同过滤与Embedding技术的混合推荐方法，其特征在于，对ALS算法和 Node2vec算法的推荐结果进行加权预测推荐，预测推荐的公式如下所示：，

其中， ，Aresult为基于 ALS 评分预测的推荐， Nresult 为基于node2vec 下商品间距离大小的推荐，  为基于 ALS 的推荐结果和基于Node2vc的推荐结果在最终的推荐结果中所占的比重，根据两种推荐结果所占的权重大小，得到两种推荐算法最终推荐结果。