1.基于表示学习和多模态卷积神经网络的用户推荐方法，其特征在于，包括以下步骤：S1、从社交网络的公共平台下载用户数据，并对用户数据进行预处理，下载的用户数据包括网络结构信息和用户文本信息；

S2、基于表示学习分别根据网络结构信息和用户文本信息构建网络结构特征向量和用户文本特征向量；

S3、根据网络结构特征向量计算用户相似度，选择与当前待测用户最相似的k个作为最相关用户，利用注意力机制提取用户文本特征向量中的关键信息；

S4、构建卷积神经网络，并在卷积神经网络的卷积层之前建立一个融合层，将当前待测用户最相似的k个最相关用户的网络结构特征向量与用户文本特征向量的关键信息进行融合，得到网络节点矩阵；

S5、利用网络节点矩阵完成神经网络的训练，并提取待测用户当前时刻的用户数据；

S6、将当前时刻的待测用户的特征空间向量输入卷积神经网络，得到下一时刻待测用户可能产生的用户关系，并将预测的用户关系推送给待测用户。

2.根据权利要求1所述的基于表示学习和多模态卷积神经网络的用户推荐方法，其特征在于，一个用户的网络结构特征至少包括该用户关注的用户、关注该用户的用户，一个用户的用户文本特征至少包括该用户发布的历史文本信息。

3.根据权利要求1所述的基于表示学习和多模态卷积神经网络的用户推荐方法，其特征在于，根据网络结构特征向量计算用户相似度包括：对网络进行采样，并选取网络中任意一个用户节点进行随机游走，得到一个用户节点序列；

进行多次循环遍历网络，得到网络的全局节点序列集，得到网络中所有用户节点的d维全局特征向量；

以两个用户节点的特征向量的余弦值作为两个用户节点之间的相似度。

4.据权利要求3所述的基于表示学习和多模态卷积神经网络的用户推荐方法，其特征在于，两个节点的相似度表示为：其中，sim(v(ui),v(uj))表示节点向量v(ui)与节点向量v(uj)之间的相似度，n表示网络中节点的总个数。

5.据权利要求1所述的基于表示学习和多模态卷积神经网络的用户推荐方法，其特征在于，基于表示学习构建用户文本特征包括：对获得的用户文本数据进行分词，并提取用户文本数据的关键词；

将每个用户文本数据中的每个关键词转换为l维向量，每个用户文本数据的长度统一设置为m，长度不足m的用0进行填充，使得用户文本数据的长度为m；

根据节点的相关性，选取k个与该节点最相似的节点作为该节点的最相关用户组；

根据统一长度的用户文本数据，创建所有用户的句子矩阵；

根据时间的变化对用户兴趣进行拟合，得到根据时间变化的用户兴趣；

基于所有用户的句子矩阵和拟合的用户兴趣，得到用户文本特征的特征向量空间。

6.据权利要求5所述的基于表示学习和多模态卷积神经网络的用户推荐方法，其特征在于，用户文本特征的特征向量空间表示为：Va_decay＝f(ui)×Va；

其中，Va_decay表示用户文本特征的特征向量空间；Va为所有用户的句子矩阵；f(ui)表示用户节点ui根据时间变化的用户兴趣。

7.据权利要求6所述的基于表示学习和多模态卷积神经网络的用户推荐方法，其特征在于，根据时间变化的用户兴趣表示为：其中，f(ui)表示用户节点ui根据时间变化的用户兴趣； 为用户节点ui的兴趣是否根据时间变化的指示函数；λ为用户兴趣根据时间变化的增长权重；t表示第t时刻。

8.据权利要求1所述的基于表示学习和多模态卷积神经网络的用户推荐方法，其特征在于，利用注意力机制提取用户文本特征向量的关键信息包括：利用注意力机制为用户文本中的每个单词创建一个上下文向量，并将得到的上下文向量与每个单词的原始词向量进行拼接构成上下文词向量，并将该上下文词向量还原为句子，得到用户文本特征向量的关键信息。

9.据权利要求1所述的基于表示学习和多模态卷积神经网络的用户推荐方法，其特征在于，将当前待测用户最相似的k个最相关用户的网络结构特征向量与用户文本特征向量的关键信息进行融合包括：其中，V表示网络结构特征向量与用户文本特征向量的关键信息融合后得到的向量；Vs表示attention注意力层输出的结果；表示向量连接操作；Vu表示网络结构特征向量；v′(pk)表示新的词向量连接成的句子向量；v(uk)表示用户节点向量。