1.基于稳定神经协同过滤的用户-商品偏好预测系统，其特征在于，包括数据预处理模块、与所述数据预处理模块连接的数据存储模块、分别与所述数据存储模块连接的参数控制模块、数据输出模块和预测结果生成模块，以及与所述参数控制模块连接的模型训练模块，所述预测结果生成模块分别与参数控制模块以及模型训练模块连接；

所述数据预处理模块，用于获取用户-商品评分数据，并对用户-商品评分数据进行预处理，并将预处理后的用户-商品评分数据输入至所述数据存储模块中；

所述数据存储模块，用于存储预处理过的用户-商品评分数据、用户-商品偏好预测模型的参数以及生成的预测评分数据；

所述模型训练模块，用于根据预处理后的用户-商品评分数据，构建和训练基于稳定神经协同过滤的用户-商品偏好预测模型；

所述参数控制模块，用于初始化用户-商品偏好预测模型的参数，同时控制参数和用户-商品偏好预测模型的训练过程；

所述预测结果生成模块，用于根据用户-商品偏好预测模型，利用用户和商品的隐特征向量生成未知的用户-商品预测评分数据，并将生成的预测评分数据存入至所述数据存储模块中；

所述数据输出模块，用于输出用户和商品的隐特征表示以及未知的用户-商品预测评分数据。

2.根据权利要求1所述的基于稳定神经协同过滤的用户-商品偏好预测系统，其特征在于，所述模型训练模块包括指导模型训练单元、指导信息生成单元以及神经网络训练单元；

所述指导模型训练单元，用于根据预处理后的用户-商品评分数据，训练作为指导模型且不包含噪声的非负矩阵分解模型；

所述指导信息生成单元，用于根据所述非负矩阵分解模型生成指导信息；

所述神经网络训练单元，用于根据生成的指导信息，构建和训练基于稳定神经协同过滤的用户-商品偏好预测模型，其中：所述用户-商品偏好预测模型包括依次连接的向量化层、噪声层、多层感知器层和全连接输出层。

3.根据权利要求1所述的基于稳定神经协同过滤的用户-商品偏好预测系统，其特征在于，所述参数控制模块包括初始化单元和参数控制单元；

所述初始化单元，用于初始化用户-商品偏好预测模型的参数；

所述参数控制单元，用于向所述预测结果生成模块传递参数，以及控制用户-商品偏好预测模型的训练过程。

4.根据权利要求1所述的基于稳定神经协同过滤的用户-商品偏好预测系统，其特征在于，所述预测结果生成模块包括参数接收单元和预测结果生成单元；

所述参数接收单元，用于接收由参数控制模块传递的参数；

所述预测结果生成单元，用于利用用户和商品的隐特征向量对未知的用户-商品评分做出预测。

5.基于稳定神经协同过滤的用户-商品偏好预测方法，其特征在于，包括以下步骤：S1、获取用户-商品评分数据；

S2、对所述用户-商品评分数据进行预处理，并将预处理后的用户-商品评分数据进行存储；

S3、根据预处理后的用户-商品评分数据，训练作为指导模型且不包含噪声的非负矩阵分解模型；

S4、利用所述非负矩阵分解模型生成指导信息；

S5、根据所述指导信息，构建和训练包含噪声层的基于稳定神经协同过滤的用户-商品偏好预测模型；

S6、根据用户和商品的隐特征向量，利用所述用户-商品偏好预测模型生成未知的用户-商品预测评分，并对所述用户-商品预测评分进行存储；

S7、输出用户和商品的隐特征表示以及未知的用户-商品预测评分，从而完成对用户-商品偏好的预测。

6.根据权利要求5所述的基于稳定神经协同过滤的用户-商品偏好预测方法，其特征在于，所述步骤S3包括以下步骤：S301、初始化参数；

S302、根据预处理后的用户-商品评分数据，构建目标函数；

S303、根据所述目标函数，利用梯度下降法对用户和商品的隐特征矩阵进行训练，从而完成对作为指导模型且不包含噪声的非负矩阵分解模型的训练，所述目标函数RSER(A)的表达式如下：其中，R(A)表示用户-商品评分矩阵R中用户对商品已知评分数据集合，ru,i表示用户u对商品i的评分，pu表示用户隐特征矩阵P中第u个用户对应的隐特征，qi表示金融产品隐特征矩阵Q中第i个商品对应的隐特征,λp和λQ均表示正则化因子分别作用于用户和商品的隐特征矩阵P和Q，F表示范数， 表示由模型计算的用户u对商品i的预测评分，Iu,Ui分别表示用户u交互过的商品的集合和与商品i有过交互的用户的集合。

7.根据权利要求5所述的基于稳定神经协同过滤的用户-商品偏好预测方法，其特征在于，所述步骤S4中指导信息h的表达式如下：h＝emb(pu,qi,θG)

其中，pu表示用户隐特征矩阵P中第u个用户对应的隐特征，qi表示金融产品隐特征矩阵Q中第i个商品对应的隐特征，θG表示向量化的参数，emb(·)表示向量化操作。

8.根据权利要求5所述的基于稳定神经协同过滤的用户-商品偏好预测方法，其特征在于，所述步骤S5包括如下步骤：S501、初始化参数，并构建包含噪声层的基于稳定神经协同过滤的用户-商品偏好预测模型；

S502、将用户和商品的ID以及边信息依次输入至用户-商品偏好预测模型的向量化层和噪声层，得到用户和商品的隐特征向量，所述用户和商品的隐特征向量π(pu,qi)的表达式如下：其中，∈为均值为0方差为δ的高斯噪声,N(·)表示高斯分布，pu表示用户隐特征矩阵P中第u个用户对应的隐特征，qi表示金融产品隐特征矩阵Q中第i个商品对应的隐特征，emb(·)表示向量化操作， 表示用户u的id， 表示用户u的特征， 表示商品i的id，表示商品i的特征；

S503、以所述指导信息为目标，对所述用户和商品的隐特征向量进行特征提取训练，所述特征提取训练L(θG，θr)的表达式如下：其中,h表示生成的指导信息，emb(·)表示向量化操作，σ(·)表示激活函数，b表示偏执参数，θr为矩阵分解模型和神经网络中隐特征空间维度不同时的映射向量，pu表示用户隐特征矩阵P中第u个用户对应的隐特征，qi表示金融产品隐特征矩阵Q中第i个商品对应的隐特征，θG表示向量化的参数,ru,i表示用户u对商品i的评分，θ表示用户和商品隐特征向量的参数；

S504、将经特征提取训练后的用户和商品的隐特征向量，依次输入至用户-商品偏好预测模型的多层感知器和全连接输出层，并利用随机梯度下降法在目标函数上对神经网络进行训练，从而完成对包含噪声层的基于稳定神经协同过滤的用户-商品偏好预测模型的训练。

9.根据权利要求5所述的基于稳定神经协同过滤的用户-商品偏好预测方法，其特征在于，所述步骤S6中生成未知的用户-商品预测评分f(pu,qi)的表达式如下：f(pu,qi)＝φout(φX(...φ2(φ1(π(pu,qi)))...))其中，φout表示多层神经网络中输出层网络的非线性变换，φX表示多层神经网络中第X层网络的非线性变换，φ2表示多层神经网络中第二层神经网络的非线性变换，φ1表示多层神经网络中第一层神经网络的非线性变换，pu表示用户隐特征矩阵P中第u个用户对应的隐特征，qi表示金融产品隐特征矩阵Q中第i个商品对应的隐特征。