1.结合动态兴趣与专业知识的问答社区专家推荐方法，其特征是，包括：获取目标问题数据；

将目标问题数据进行向量化表示，得到问题表示向量；

将候选用户数据进行向量化表示，得到用户表示向量；

基于问题表示向量和用户表示向量，输出推荐的用户；

将目标问题数据进行向量化表示，得到问题表示向量；具体步骤包括：将问题标题文本信息进行Embedding词向量化，将词向量化后的结果依次经过第一卷积神经网络CNN和第一注意力机制Attention模型，输出问题标题的表示向量；

将问题内容文本信息进行Embedding词向量化，将词向量化后的结果依次经过第二卷积神经网络CNN和第二注意力机制Attention模型，输出问题内容的表示向量；

将问题标签信息进行Embedding词向量化，将词向量化后的结果进行全局平均化，得到问题标签的表示向量；

将问题标题的表示向量、问题内容的表示向量和问题标签的表示向量，进行拼接，得到最终的问题表示向量。

2.如权利要求1所述的方法，其特征是，将候选用户数据进行向量化表示，得到用户表示向量；具体步骤包括：对候选用户的历史回答过的问题进行向量化表示，得到用户兴趣动态表示向量；

对候选用户的历史回答过的问题对应的用户回复进行向量化表示，得到用户专业知识动态表示向量；

对候选用户的标签信息进行向量化表示，得到用户长期固定兴趣表示向量；

将用户兴趣动态表示向量、用户专业知识动态表示向量和用户长期固定兴趣表示向量进行拼接，得到最终的用户表示向量。

3.如权利要求2所述的方法，其特征是，所述对候选用户的历史回答过的问题进行向量化表示，得到用户兴趣动态表示向量；具体实现方式为：对候选用户的历史回答过的问题按照时间先后顺序进行排序，得到历史问题序列；

将历史问题序列输入到问题编码器中，输出历史回答问题的问题向量表示；

对历史回答问题的问题向量表示进行Embedding词向量化；

将词向量化后的序列依次经过双层Bi‑GRU结构，得到用户兴趣动态表示向量。

4.如权利要求2所述的方法，其特征是，所述对候选用户的历史回答过的问题对应的用户回复进行向量化表示，得到用户专业知识动态表示向量；具体实现方式为：将候选用户的历史回答过的问题对应的用户回复按照时间先后顺序进行排序，得到历史回复序列；

对历史回复序列进行Embedding词向量化表示；

对词向量化表示的序列依次经过双层Bi‑GRU结构，得到用户专业知识动态表示向量。

5.如权利要求2所述的方法，其特征是，所述对候选用户的标签信息进行向量化表示，得到用户长期固定兴趣表示向量；具体实现方式为：对候选用户的标签信息进行Embedding词向量化表示；

对向量化表示后的标签信息进行全局平均池化处理，得到用户长期固定兴趣表示向量。

6.如权利要求1所述的方法，其特征是，基于问题表示向量和用户表示向量，输出推荐的用户；具体步骤包括：对问题表示向量和用户表示向量进行点积；

将点积结果输入到全连接层；

将全连接层输出结果输入到Sigmoid层，最后输出每个推荐用户的推荐概率得分，将推荐概率得分最高的若干个推荐用户作为最终的推荐专家。

7.结合动态兴趣与专业知识的问答社区专家推荐系统，其特征是，包括：获取模块，其被配置为：获取目标问题数据；

问题向量表示模块，其被配置为：将目标问题数据进行向量化表示，得到问题表示向量；

用户向量表示模块，其被配置为：将候选用户数据进行向量化表示，得到用户表示向量；

输出模块，其被配置为：基于问题表示向量和用户表示向量，输出推荐的用户；

将目标问题数据进行向量化表示，得到问题表示向量；具体步骤包括：将问题标题文本信息进行Embedding词向量化，将词向量化后的结果依次经过第一卷积神经网络CNN和第一注意力机制Attention模型，输出问题标题的表示向量；

将问题内容文本信息进行Embedding词向量化，将词向量化后的结果依次经过第二卷积神经网络CNN和第二注意力机制Attention模型，输出问题内容的表示向量；

将问题标签信息进行Embedding词向量化，将词向量化后的结果进行全局平均化，得到问题标签的表示向量；

将问题标题的表示向量、问题内容的表示向量和问题标签的表示向量，进行拼接，得到最终的问题表示向量。

8.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1‑6任一项所述的方法。

9.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑6任一项所述的方法。