1.一种基于注意力机制的群组美食推荐方法，其特征在于，具体步骤包括：步骤1，获取用户旅游数据集，经去重、剔除、清洗后，得到有效数据；

步骤2，对有效数据进行用户信息之间的相似度计算，对用户群组进行聚类分析，构建用户群组；

步骤3，根据群组，利用注意力机制以及用户亲密度将用户偏好进行融合，得到群组偏好向量；

步骤4，对群组偏好向量与组内用户个人偏好做神经协同过滤进行处理，得到用户个人预测评分与群组预测评分；

步骤5，根据多类聚合平衡策略，将预测评分序列进行融合，得到目标群组对美食的预测评分；

步骤6，将预测评分以降序方式排列，生成美食推荐列表，选取TOP‑N的美食作为结果推荐给群组用户。

2.根据权利要求1所述一种基于注意力机制的群组美食推荐方法，其特征在于，所述步骤1中用户旅游数据集包括用户个人信息数据和商家信息数据；

所述用户个人信息数据包括用户口味、消费标准、交通工具以及目的地和户历史签到数据；

所述商家信息数据包括商家位置、商家评分、商家均价、商家标签、商家星级。

3.根据权利要求1所述一种基于注意力机制的群组美食推荐方法，其特征在于，所述步骤2的具体步骤为：

步骤2.1，将有效数据编码为向量，定义口味类型向量为test，消费标准交通工具 目的地 计

算用户以上四个不同类型的相似度，如公式(1)～(4)所示：其中sima为群组中的用户A1与用户B1之间的口味类型相似度矩阵、其中simb为群组中的用户A2与用户B2之间的消费标准相似度矩阵、其中simc为群组中的用户A3与用户B3之间的交通工具相似度矩阵、其中simb为群组中的用户A2与用户B2之间的目的地相似度矩阵根据以上公式计算得到用户组合相似度矩阵；

步骤2.2，基于2.1得到的用户相似度矩阵，进行矩阵的组合，具体公式为：sim＝αsima(A1,B1)+βsimb(A2,B2)+χsimc(A3,B3)+γsimd(A4,B4)    (5)其中，sim表示的是用户组合的相似度矩阵，α、β、γ、χ分别代表的是在组合后的用户相似度矩阵中，各个不同的类别的相似度值的权重，其中α分配为0.3、β为0.2、γ为0.2以及χ为0.2；

步骤2.3，采用K‑medios聚类算法对用户群组进行聚类，构建用户群组，即随机选择K个用户，其中将K个作为初始的代表对象O，根据步骤2.2得到的相似度矩阵，将剩余的用户分给离的最近的这个代表对象所代表的簇，之后随机选择一个不属于代表对象R的相似度值，计算不属于代表对象R代替O的总代价S，如果S<0,则需要用R去替代O，形成一个新的K个代表对象的集合，直到最终不用进行对象替代，发生变化，此时群组分类为最终的群组分类。

4.根据权利要求1所述一种基于注意力机制的群组美食推荐方法，其特征在于，所述步骤3的具体步骤为：

步骤3.1，对每个群组进行组内亲密率close(ui)计算，如公式(6)所示，其中const(ui,vj)表示用户i访问同类型餐厅次数，const(un‑i,vj)表示除去用户i的其他用户访问同类型餐厅次数；

根据亲密率建立亲密矩阵，密率矩阵的行列均为组内的所有用户；

步骤3.2，建立注意力机制网络，注意力机制网络包括输入层、嵌入层、聚合层、输出层；

训练集为用户的亲密度矩阵，各类餐厅；

输入层包括三个部分，分别是用户项、餐厅项，以及步骤3.1得到的组内亲密率，经过嵌入层将输入层的稀疏表示映射为一个稠密向量，之后将用户嵌入、餐厅项目嵌入和组嵌入送到注意力机制网络结构之中，训练得到该成员在组内的权重大小，最终输出层融合得到成员在组内的偏好向量。

5.根据权利要求1所述一种基于注意力机制的群组美食推荐方法，其特征在于，所述步骤4的具体方法为：采用多层感知机去模拟一个用户项目之间的交互，上一层的输出作为下一层的输入，包括输出层、NCF嵌入层、池化层、表示层；训练集为用户的组内偏好，各类餐厅；表示层包括三个部分，分别是用户亲密度组合矩阵、餐厅以及组内用户之间的亲密率，用来描述用户项，餐厅项以及群组偏好项，在作为输入特征输入后，使用one‑hot编码进行转化，将他们转化为二值化稀疏向量；池化层，是一个全连接层，用来将输入层的稀疏表示映射为一个稠密向量；将用户嵌入、餐厅项目嵌入和组嵌入送到多层网络结构之中，在NCF嵌入层进行学习，学习之后，嵌入层的向量输入到池化层与隐藏层以获得最终对用户和群组的预测评分，用户的评分预测 以及群组预测评分

6.根据权利要求1所述一种基于注意力机制的群组美食推荐方法，其特征在于，所述步骤5具体的为：采用均值策略、最小痛苦策略、最开心策略对得到的用户预测评分和群组预测评分进行偏好融合；

其中均值策略如公式(7)所示

avg(Rm,j:m∈g)              (7)其中，g表示群组，Rgj表示该群组g对项目j的最终融合用户与群组预测评分后的得分；

最小痛苦策略公式(8)所示

min(Rm,i:m∈g)              (8)其中，g表示群组，Rgj表示群组g对项目j的最终融合用户与群组预测评分后的得分；

最开心策略公式(9)所示

max(Rm,i:m∈g)              (9)其中，g表示群组，Rgj表示群组g对项目j的最终融合用户与群组预测评分后的得分；

融合公式为：

其中N表示的为组内成员人数，Fg,i为群组预测评分与个人用户预测评分的融合，作为最终的预测列表推荐给用户。