1.一种基于深度学习的信息推送方法，其特征在于，包括如下步骤：

构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；

通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；

通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；

通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；

基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；

将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送；

构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵，具体为：初始化感兴趣物品的访问矩阵 ，其中，n为感兴趣物品个数，并将初始值设置为0，对于每一个客户 ，统计得到该客户访问过的感兴趣物品的集合 ，对于集合 中的每个感兴趣物品v，将该感兴趣物品v在访问矩阵 中对应的对角线元素的值 ,加1；

初始化距离邻近矩阵 ，并将初始值设置为0，计算出感兴趣物品之间的量化距离，并与距离阈值比较，若量化距离小于距离阈值，将在矩阵 中对应元素置1，否则置0；

初始化种类关联矩阵 ，并将初始值设置为0，对比任意两个感兴趣物品的类别来确定矩阵 中各个元素的值，类别相同时，矩阵 中相应元素置1，否则置0；

通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量，具体为：其中， 是对访问矩阵分解得到的隐含因子矩阵， 为 中访问潜在向量的维度， 表示访问矩阵的Frobenius范数， 为正则化参数；

通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量，具体为：其中， 是对距离邻近矩阵分解得到的隐含因子矩阵， 为 中距离潜在向量的维度， 表示距离邻近矩阵的Frobenius范数， 为距离邻近矩阵的正则项参数；

通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量，具体为：其中， 是对种类关联矩阵分解得到的隐含因子矩阵， 为 中种类潜在向量的维度， 表示种类关联矩阵的Frobenius范数， 为种类关联矩阵的正则项参数；

基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；具体为：感兴趣物品特征向量：

其中， 是感兴趣物品的访问潜在向量， 感兴趣物品的距离潜在向量， 感兴趣物品的种类潜在向量；

客户特征向量：

其中， 是用户 访问过的感兴趣物品的集合， 为用户 访问过的感兴趣物品的数量；

时间上下文特征向量：

表示在时间上下文 中被访问过的感兴趣物品的集合， 表示被访问过的感兴趣物品的数量；

序次上下文特征向量：

其中， 表示被至少一次以上连续访问的感兴趣物品的集合， 表示被至少一次以上连续访问的感兴趣物品的数量；

所述神经网络推荐模型，具体为：

其中， 是神经网络推荐模型的输入层的特征向量，是神经网络推荐模型中第i层隐含层的输出向量， 是神经网络推荐模型用于u在时刻t对感兴趣物品v的访问预测结果，L为隐含层个数， 和 为第i层隐含层的权重矩阵、偏移向量； 和 为神经网络推荐模型输出层的权重矩阵、偏移向量， 为激活函数， 为整流线性函数。

2.一种基于深度学习的信息推送系统，其特征在于，包括：

矩阵构造单元：构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；

访问潜在向量获取单元：通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；

距离潜在向量获取单元：通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；

种类潜在向量获取单元：通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；

特征向量获取单元：基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；

推荐结果获取单元：将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送；

构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵，具体为：初始化感兴趣物品的访问矩阵 ，其中，n为感兴趣物品个数，并将初始值设置为0，对于每一个客户 ，统计得到该客户访问过的感兴趣物品的集合 ，对于集合 中的每个感兴趣物品v，将该感兴趣物品v在访问矩阵 中对应的对角线元素的值 ,加1；

初始化距离邻近矩阵 ，并将初始值设置为0，计算出感兴趣物品之间的量化距离，并与距离阈值比较，若量化距离小于距离阈值，将在矩阵 中对应元素置1，否则置0；

初始化种类关联矩阵 ，并将初始值设置为0，对比任意两个感兴趣物品的类别来确定矩阵 中各个元素的值，类别相同时，矩阵 中相应元素置1，否则置0；

通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量，具体为：其中， 是对访问矩阵分解得到的隐含因子矩阵， 为 中访问潜在向量的维度， 表示访问矩阵的Frobenius范数， 为正则化参数；

通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量，具体为：其中， 是对距离邻近矩阵分解得到的隐含因子矩阵， 为 中距离潜在向量的维度， 表示距离邻近矩阵的Frobenius范数， 为距离邻近矩阵的正则项参数；

通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量，具体为：其中， 是对种类关联矩阵分解得到的隐含因子矩阵， 为 中种类潜在向量的维度， 表示种类关联矩阵的Frobenius范数， 为种类关联矩阵的正则项参数；

基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；具体为：感兴趣物品特征向量：

其中， 是感兴趣物品的访问潜在向量， 感兴趣物品的距离潜在向量， 感兴趣物品的种类潜在向量；

客户特征向量：

其中， 是用户 访问过的感兴趣物品的集合， 为用户 访问过的感兴趣物品的数量；

时间上下文特征向量：

表示在时间上下文 中被访问过的感兴趣物品的集合， 表示被访问过的感兴趣物品的数量；

序次上下文特征向量：

其中， 表示被至少一次以上连续访问的感兴趣物品的集合， 表示被至少一次以上连续访问的感兴趣物品的数量；

所述神经网络推荐模型，具体为：

其中， 是神经网络推荐模型的输入层的特征向量，是神经网络推荐模型中第i层隐含层的输出向量， 是神经网络推荐模型用于u在时刻t对感兴趣物品v的访问预测结果，L为隐含层个数， 和 为第i层隐含层的权重矩阵、偏移向量； 和 为神经网络推荐模型输出层的权重矩阵、偏移向量， 为激活函数， 为整流线性函数。

3.一种电子设备，其特征在于，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现权利要求1所述的方法步骤。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1所述的方法步骤。