1.一种基于时序空间特征和偏好波动的网络安全工具智能推荐方法，其特征在于，包括如下步骤：步骤1：对收集到的用户使用网络安全工具的数据进行清洗和预处理，构建用户的历史行为序列，包括用户嵌入矩阵以及用户行为序列嵌入矩阵，所述用户嵌入矩阵、用户行为序列嵌入矩阵中分别包括用户特征向量、用户行为序列嵌入向量；

步骤2：以用户行为序列嵌入矩阵为输入，通过改进的时空GRU算法学习用户使用网络安全工具的长期偏好；所述改进的时空GRU算法将连续时间因子离散化，并引入了特定的时间转换矩阵和距离转换矩阵；

步骤3：以用户行为序列嵌入矩阵为输入，通过多头注意力机学习用户近期的使用网络安全工具偏好，表示用户的短期偏好；

步骤4：计算用户的使用网络安全工具偏好波动值Fu；

步骤5：融合用户的长期偏好、短期偏好、用户特征向量以及偏好波动向量，得到用户的使用网络安全工具行为的综合特征表达并进行推荐。

2.根据权利要求1所述的基于时序空间特征和偏好波动的网络安全工具智能推荐方法，其特征在于，所述步骤1的具体方法为：步骤1.1：定义用户集合U＝{u1,u2,...,ua,...ulen(U)}，ua为U中第a个待清洗信息数据，其中，len(U)为U中数据数量，变量a∈[1,len(U)]；

步骤1.2：定义网络安全工具集合I＝{i1,i2,...,ib,...ilen(I)}，ib为I中第b个待清洗信息数据，其中，len(I)为I中数据数量，变量b∈[1,len(I)]；

步骤1.3：对数据集U、I中的数据进行去重和去空操作；

步骤1 .4：得到清洗后的数据集U1＝{u1 ,u2,...,ua ,...ulen(U)}，ua为U1中第a个信息数据，其中，len(U)为U中数据数量，变量a∈[1 ,len(U)]和数据集I1＝{i1 ,i2 ,...,ib ,...ilen(I)}，ib为I1中第b个信息数据，其中，len(I1)为I1中数据数量，变量b∈[1 ,len(I1)]；

步骤1.5：定义用户的历史行为序列为其中表示用户之前交互过的网络安全工具，Xu的下标i表示网络安全工具在序列中出现的顺序；

步骤1.6：对于用户集合U1，通过高维稀疏独热码嵌入到低维稠密特征向量中的方法得到用户嵌入矩阵为Eu，eu是用户嵌入矩阵Eu中的一个向量，表示用户特征向量；

步骤1 .7：对于用户的历史行为序列通过高维稀疏独热码嵌入到低维稠密特征向量中的方法，得到用户行为序列嵌入矩阵为Ex∈Rn×k，其中n×k表示矩阵的维度，ex是用户行为序列嵌入矩阵中的一个向量，表示用户行为序列嵌入向量。

3.根据权利要求1所述的基于时序空间特征和偏好波动的网络安全工具智能推荐方法，其特征在于，所述步骤2的具体方法为：步骤2.1：输入用户行为序列嵌入矩阵Ex∈Rn×k；

步骤2.2：定义循环变量i，且i赋初值为1；

步骤2.3：如果i≤len(Xu)则跳转到步骤2.4，否则跳转到步骤2.13；

步骤2.4：获取用户行为序列嵌入矩阵Ex∈Rn×k中的第i行向量ex；

步骤2.5：根据用户行为序列嵌入向量ex得到表示的用户u在时间t的访问位置的向量，定义用户在前一时间为t‑1时的隐状态向量为ht‑1；

步骤2.6：定义特定的时间变换矩阵用于表示两个时间点t和ti之间的时间间隔t‑ti，其中ti表示历史时间点；

步骤2.7：定义特定的距离转换矩阵用来表示两地理坐标间的欧几里得距离，计算公式为其中，和表示用户u在时刻t所访问位置的坐标，和表示用户u历史时刻ti所访问位置的坐标；

步骤2.8：计算输入门其中Wi1、Wi2是变换矩阵，Wi3、Wi4是和的转移矩阵，bi是偏置向量，σ是激活函数，ht‑1是前一个时刻的GRU的隐状态向量；

步骤2 .9：计算遗忘门其中Wf1、Wf2是变换矩阵，Wf3、Wf4是和的转移矩阵，bf是偏置向量；

步骤2.10：根据时间转换矩阵和距离转换矩阵计算新的GRU候选隐状态向量合，得到目标特征向量其中,Concat表示拼接操作，表示用户的短期偏好，gt表示用户的长期偏好，eu表示用户特征向量，Fu_vec表示用户的偏好波动向量；

步骤5.3：将目标特征向量G输入全连接神经网络进行非线性变换；

步骤5.4：网络隐藏层使用Dice激活函数来学习非线性关系；

步骤5.5：输出层使用Softmax函数计算预测概率其中WH为可训练参数矩阵，bH为偏置向量，DH为第H层的隐层输出，表示推荐下一个网络安全工具的概率。

7.一种基于时序空间特征和偏好波动的网络安全工具智能推荐装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1‑6任一项所述的基于时序空间特征和偏好波动的网络安全工具智能推荐方法。