1.一种融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法，其特征在于，包括以下步骤：S101：获取用户的电视节目点击行为序列和用户的兴趣偏好；

S102：对用户的电视节目点击行为序列中的每一特征和用户的兴趣偏好中的每一特征进行哑变量编码，并构建多任务模型的共享嵌入层，将编码后的特征信息进行降维，获取用户的电视节目点击行为序列的特征向量和用户的兴趣偏好的特征向量；

S103：根据步骤S102获得的用户的电视节目点击行为序列的特征向量，利用注意力网络和融合深度神经网络的因式分解模型进行建模，构建目标函数L1，预测用户对节目的点击率，获得用户对节目的点击率；

目标函数L1的构建具体包括：

用户点击行为预测采用注意力网络和融合深度神经网络的因式分解算法，对用户的电视节目点击行为序列的特征向量作交互叠加，叠加向量Z1＝[ui,mj]，ui表示第i个用户的特征向量，mj表示第j个电视节目的特征向量，叠加向量Z1作为神经网络的输入层，预测网络框架的计算方法为：其中，gA表示注意力网络的输出，g表示softmax函数， 表示注意力网络的权重系数，bA表示注意力网络中的偏置系数，hout表示融合注意力网络后的输出， 表示隐藏层和注意力网络叠加后神经网络的权重系数，bCA表示隐藏层和注意力网络叠加后神经网络的偏置系数，f为隐藏层的激活函数Relu或者隐藏层的激活函数Tanh， 表示隐藏层第L层的权重系数，bL为隐藏层第L层的偏置系数， 表示隐藏层第1层的权重系数，b1为隐藏层第1层的偏置系数， 表示神经网络层和注意力网络层向量的叠加， 为用户点击行为预测值，σ为神经网络输出层的激活函数sigmoid，目的是为了把预测值 限制在区间[0,1]；

根据预测值 得到目标函数L1：

其中，yij‑click表示第i个用户对第j个电视节目点击行为的真实值；

S104：根据步骤S102获得的用户的兴趣偏好的特征向量，利用注意力网络和融合神经网络的因子分解机模型进行建模，构建目标函数L2，预测用户对节目的偏好程度，获得用户对节目的偏好程度；

根据步骤S102获得的用户的兴趣偏好的特征向量，采用注意力网络和融合神经网络的因子分解机模型进行建模，构建目标函数L2，具体包括：(a)：提取用户的兴趣偏好的特征向量中的用户和节目的特征向量，记为vi，表示第i个特征的特征向量；

(b)：构建用户兴趣偏好的预测值的函数，如式(6)‑(9)所示，根据式(6)‑(9)得到用户兴趣偏好的预测值；

其中，h1表示一阶特征项的输出，n表示用户的兴趣偏好的特征个数，wi为第i个特征权重，xi为用户的兴趣偏好的第i个特征值，h2表示特征二阶特征交互项的输出，vi表示第i个特征的特征向量，vj表示第j个特征的特征向量，xj表示用户的兴趣偏好的第j个特征值，gB表示注意力网络的输出，g表示softmax函数， 表示注意力网络的权重系数，bB表示注意力网络中的偏置系数，[h1,h2]表示向量的叠加操作， 表示隐藏层第L层的权重系数，bL为隐藏层第L层的偏置系数， 表示隐藏层第1层的权重系数，b1为隐藏层第1层的偏置系数， 表示用户兴趣偏好的预测值；

(c)：根据用户兴趣偏好的预测值和步骤S101获取的用户的兴趣偏好，构建目标函数L2，计算方法为：其中，M为用户与节目的交互数，m表示用户对节目的第m次交互， 表示第i个用户对第j个电视节目的兴趣偏好的预测值，yij‑score表示第i个用户对第j个电视节目的兴趣偏好的真实值，yij‑score从用户的兴趣偏好中获取；

S105：采用目标函数L1对步骤S103获得的用户对节目的点击率迭代以及采用目标函数L2对节目的偏好程度迭代，使其和最小，得到最佳的用户对节目的点击率和最佳的用户对节目的偏好程度；

采用多任务目标函数计算使其和最小，多任务目标函数为：

其中，n表示任务的数量，Ltotal为多任务目标函数，Li表示第i个任务的目标函数；

S106：根据步骤S105获得的最佳的用户对节目的点击率和根据步骤S105获得的最佳的用户对节目的偏好程度，加权融合计算用户对每个节目的兴趣程度，进而对节目表里的所有未观看过的节目根据用户的兴趣程度进行从大到小排序，并把兴趣程度最高的多个节目推荐给目标用户；

加权融合计算用户对每个节目的兴趣程度，具体包括：

通过对最佳的用户对节目的点击率和最佳的用户对节目的偏好程度进行加权求和，预测用户对未观看的节目的兴趣程度，按公式(12)进行计算：其中， 表示第i个用户对第j个电视节目的总兴趣分值，α表示用户点击行为的权重系数， 表示第i个用户对第j个电视节目的点击预测值， 表示第i个用户对第j个电视节目的偏好程度预测值。

2.根据权利要求1所述的融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法，其特征在于，步骤S101中，用户的电视节目点击行为序列中每条行为记录包括用户ID、电视节目ID、用户观看时长、电视节目时长、用户的年龄、用户的性别、用户的付费信息、用户的活跃度、用户的开机时长、用户的家庭情况、节目的类型。

3.根据权利要求1所述的融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法，其特征在于，步骤S101中，用户的兴趣偏好中每条行为记录包括用户ID、电视节目ID、用户观看时长、电视节目时长、用户的年龄、用户的性别、用户的付费信息、用户的活跃度、用户的开机时长、用户的家庭情况、节目的类型。

4.根据权利要求1所述的融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法，其特征在于，步骤S102中，共享嵌入层包括节目特征、用户行为画像特征、用户特征三个特征向量信息，多任务模型中的两个子任务都采用共享嵌入层的特征向量信息。