1.一种基于文本点击率的搜索结果推荐方法，其特征在于，包括以下步骤：

步骤110，对搜索内容query和搜索结果title进行预处理操作；

步骤120，对query和title构建特征工程；所述特征工程包括：词粒度的统计特征，文本语义特征，相似度特征，历史信息特征；

步骤130，利用改进的深度紧密递归交互注意力机制的网络DRCN构建基于残差递归自注意力和交互注意力机制的网络RRSCN的深度匹配模型，来进行特征提取；

步骤140，根据步骤130得到的RRSCN深度匹配模型，通过流式读取方法训练全量数据加上微调迁移学习的方式获取RRSCN的预训练模型；

步骤150，根据特征工程和RRSCN深度匹配模型构建三输入的全连接层网络；

步骤160，利用构建的全连接层网络预测文本预估点击率和相关性，给用户推荐最有可能点击的搜索结果；

其中，所述步骤120具体包括：

步骤121，计算词粒度的统计特征，用于描述搜索问题query和搜索标题title之间基于词的匹配信息，包含特征有：query或title长度、query长度‑title长度、query是否完全包含title、query和title的公共词个数、query和title的公共词个数与query和title长度的占比、title出现的频次、query和title的最长连续公共子序列长度；

步骤122，计算文本语义特征，用于描述query和title之间语义上的联系，包含特征有：N‑gram特征，query中第一、第二和第三个词语中的任两个是否相同，query中第一、第二和第三个词语在title中出现的位置，query首词或末词在title中的顺序以及出现位置；

获取query和title的共现语句s，计算与query和title语句的占比，得共现率特征：其中len表示获取语句的长度；

步骤123，计算相似度特征，用于衡量query和title相似程度，包括：步骤123a，通过词向量word2vec和快速文本分类器fasttext将文本进行词向量编码，通过以下公式给每个词赋予一个权重评价w：其中m为文档总数，wi,j为词语i在第j篇文档中出现的次数，aj为第j篇文档词语的个数，itf表示为加强过后的tf，iidf表示加强过后的idf，itf和iidf为TFC算法，α为根据正负类别频率的平衡系数，ni为包含词语i的所有文档数，p(i1)为单词i在正例类别中的频率，p(i0)为单词i在反例类别中的频率；

步骤123b，利用权重值对query和title中的每个词进行加权求和得到query和title的句向量表示：其中m是文中词语个数，vi为第i个词的词向量，sentence vec为计算得到的句向量；

步骤123c，对得到query和title的句向量进行余弦相似度、莱文斯坦levenshtein相似度、曼哈顿距离计算，把计算结果作为相似度特征；

步骤124，计算历史信息特征，用于根据历史数据去刻画title信息，包括：步骤124a，根据步骤110得到的query和title的关键词提取query历史点击率、title历史点击率作为特征；

对于冷启动文本，即测试集中未在训练集中出现的样本，统计训练集title出现的次数count和点击次数click，click为0的填充为1，测试集中未出现的title的点击率设置为

0.2；

步骤124b，计算title质量分数特征，一个query中用户点击的title和另一个query中用户点击的title，这两个title对于query的重要程度根据以下公式：其中qt表示包含title的query，labelq表示该query的标签值，1为对当前query下的该title有点击，0为未点击，ctrq为该query的一个整体点击率，Scoretitle为一个title的最终得分，即是包含该title的所有query下该title的得分总和；

根据公式得到title对于不同query下的一个得分，然后title的最终得分是包含该title的所有query下该title得分的总和。

2.根据权利要求1所述的方法，其特征在于，步骤110具体包括：

利用词语逆频率TF‑IWF算法，对query提取2个关键词，对title提取3个关键词，并且根据TF‑IWF权重值将query和title转化为稀疏向量，利用词向量word2vec将query和title转化为稠密向量。

3.根据权利要求1所述的方法，其特征在于，步骤130具体包括：

步骤131，设置query和title通过编码后的形式为：input1＝{x1，x2，...，xm}，input2＝{x1，x2，...，xn}；利用残差思路堆叠注意力机制来提取query和title的特征，先利用自注意力机制分别得到query和title与自身关联的表征，query中的xi与每个词x的匹配关系qi＝{w1，w2，...，wm}，通过加权求和得到自注意力机制编码后的词语表征为句子编码input11＝{x′1，x′2，...，x′m}，同理得到title的句子编码input22；

步骤132，然利用交互注意力机制得到query和title之间的相互关联的表征，query中的xi与title中每个词x的匹配关系q′i＝{w1，w2，...，wm}，通过加权求和得到自注意力机制编码后的词语表征为 句子编码input12＝{x″1，x″2，....，x″m}，同理得到title的句子编码input21；

步骤133，分别结合query和title的输入和attention输出作为注意力机制块的输出：a_query＝input1+input11+input12，a_title＝input1+input11+input12，堆叠6层。

4.根据权利要求1所述的方法，其特征在于：步骤140具体包括：

通过文件流处理数据和分批次训练，读取10％数据进行训练，保存当前批次的训练权重参数，再读取下10％部分数据进行训练，下一部分的参数在上次训练保存的权重参数基础上进行增量训练，直至所有数据都训练完成，保存最终的权重参数。

5.根据权利要求1所述的方法，其特征在于：步骤150具体包括：

首先根据步骤120得到模型特征，然后加载根据步骤140得到的预训练模型，从中获取倒数第二层的特征图feature map用于作为query和title利用深度匹配模型RRSCN提取到的特征，将query特征、title特征和通过步骤120得到的统计特征进行拼接，最后送入全连接层，用一部分数据微调整个网络。

6.一种基于文本点击率的搜索结果推荐系统，包括用于存储海量可搜索标题title的文本服务器，以及用于用户输入搜索问题query和显示最优搜索结果的用户搜索界面，其特征在于，包括以下模块：文本预处理模块S110，用于分别从用户搜索界面和文本服务器获取搜索问题query和搜索标题title，对搜索问题query和搜索标题title进行预处理操作；

特征工程构建模块S120，用于对query和title构建特征工程；所述特征工程包括：词粒度的统计特征，文本语义特征，相似度特征，历史信息特征；

特征提取模块S130，利用改进的深度紧密递归交互注意力机制的网络DRCN构建基于残差递归自注意力和交互注意力机制的网络RRSCN的深度匹配模型，来进行特征提取；

预训练模型构建模块S140，用于根据特征提取模块S130得到的RRSCN深度匹配模型，通过流式读取方法训练全量数据加上微调迁移学习的方式获取RRSCN的预训练模型；

全连接层网络模块S150，用于根据特征工程和RRSCN深度匹配模型构建三输入的全连接层网络；

搜索结果输出模块S160，利用构建的全连接层网络预测文本预估点击率和相关性，将向用户推荐最有可能点击的搜索结果输出到用户搜索界面；

其中，所述特征工程构建模块S120，具体包括：

词粒度的统计特征模块S121，用于计算描述搜索问题query和搜索标题title之间基于词的匹配信息，包含特征有：query或title长度、query长度‑title长度、query是否完全包含title、query和title的公共词个数、query和title的公共词个数与query和title长度的占比、title出现的频次、query和title的最长连续公共子序列长度；

文本语义特征模块S122，用于计算描述query和title之间语义上的联系，包含特征有：N‑gram特征，query中第一、第二和第三个词语中的任两个是否相同，query中第一、第二和第三个词语在title中出现的位置，query首词或末词在title中的顺序以及出现位置；

获取query和title的共现语句s，计算与query和title语句的占比，得共现率特征：其中len表示获取语句的长度；

相似度特征模块S123，用于计算衡量query和title的相似程度，具体用于：步骤S123a，通过词向量word2vec和快速文本分类器fasttext将文本进行词向量编码，通过以下公式给每个词赋予一个权重评价w：其中m为文档总数，wi,j为词语i在第j篇文档中出现的次数，aj为第j篇文档词语的个数，itf表示为加强过后的tf，iidf表示加强过后的idf，itf和iidf为TFC算法，α为根据正负类别频率的平衡系数，ni为包含词语i的所有文档数，p(i1)为单词i在正例类别中的频率，p(i0)为单词i在反例类别中的频率；

步骤S123b，利用权重值对query和title中的每个词进行加权求和得到query和title的句向量表示：m是文中词语个数，vi为第i个词的词向量，sentence vec为计算得到的句向量；

步骤S123c，对得到query和title的句向量进行余弦相似度、莱文斯坦levenshtein相似度、曼哈顿距离计算，把计算结果作为相似度特征；

历史信息特征模块S124，用于根据历史数据去刻画title信息，具体用于：步骤S124a，根据步骤110得到的query和title的关键词提取query历史点击率、title历史点击率作为特征；

对于冷启动文本，即测试集中未在训练集中出现的样本，统计训练集title出现的次数count和点击次数click，click为0的填充为1，测试集中未出现的title的点击率设置为

0.2；

步骤S124b，计算title质量分数特征，一个query中用户点击的title和另一个query中用户点击的title，这两个title对于query的重要程度根据以下公式：其中qt表示包含title的query，labelq表示该query的标签值，1为对当前query下的该title有点击，0为未点击，ctrq为该query的一个整体点击率，Scoretitle为一个title的最终得分，即是包含该title的所有query下该title的得分总和；

根据公式得到title对于不同query下的一个得分，然后title的最终得分是包含该title的所有query下该title得分的总和。

7.根据权利要求6所述的系统，其特征在于，特征提取模块S130具体用于：步骤S131，query和title通过编码后的形式为：input1＝{x1，x2，...，xm}，input2＝{x1，x2，...，xn}；利用残差思路堆叠注意力机制来提取query和title的特征，先利用自注意力机制分别得到query和title与自身关联的表征，query中的xi与每个词x的匹配关系qi＝{w1，w2，...，wm} ，通过加权求和得到自注意力机制编码后的词语表征为句子编码input11＝{x′1，x′2，....，x′m}，同理得到title的句子编码input22，

步骤S132，然利用交互注意力机制得到query和title之间的相互关联的表征，query中的xi与title中每个词x的匹配关系q′i＝{w1，w2，...，wm}，通过加权求和得到自注意力机制编码后的词语表征为 句子编码input12＝{x″1，x″2，....，x″m}，同理得到title的句子编码input21；

步骤S133，分别结合query和title的输入和attention输出作为注意力机制块的输出：a_query＝input1+input11+input12，a_title＝input1+input11+input12，堆叠6层。

8.根据权利要求6所述的系统，其特征在于：全连接层网络模块S150具体用于：首先根据特征工程构建模块S120得到模型特征，然后加载根据预训练模型构建模块S140得到的预训练模型，从中获取倒数第二层的特征图feature map用于作为query和title利用深度匹配模型RRSCN提取到的特征，将query特征、title特征和通过特征工程构建模块S120得到的统计特征进行拼接，最后送入全连接层，用一部分数据微调整个网络。