1.一种基于用户及物品流行度变化趋势的图书采购预测方法，其特征在于，所述方法包括如下步骤：

1)数据收集；

收集包括用户和书籍信息，其中用户信息包括用户性别和借阅记录，用于捕捉用户对图书的借阅趋势；书籍信息包括类别、搜索次数、借阅起止时间、书籍关键词标签和册数，通过书籍的类别和关键词标签信息获取用户对同类型书籍的喜好状态，借阅起止时间用于统计时间段内书籍的借阅本数，获取该书籍的借阅流行度趋势；

2)物品类别特征处理；

通过独热编码的方式将书籍类别和关键词标签进行编码，将分类变量转换为计算机可以理解和处理的形式，使得模型能够利用这些信息进行学习，每个类别被表示为一个向量，其中只有一个元素是1，其余元素都是0，这个元素的位置表示了该类别的索引，每个类别都有一个唯一的编码；

3)物品连续特征处理；

利用滑动窗口方式来测度流行度变化趋势，基于固定长度的时间窗口，通过在每个窗口内计算物品的流行度变化来捕捉其趋势，以下是利用滑动窗口方式测度流行度变化趋势的步骤：选择窗口大小：首先需要选择合适的窗口大小，即每次滑动的时间跨度△t，窗口大小根据数据的特点和需要进行调整，使用用户平均借阅书籍时长作为窗口大小；

构建滑动窗口：根据选择的窗口大小，将整个时间范围划分为多个窗口，每个窗口内包含连续的一段时间数据；

计算流行度指标：在每个窗口内，计算当前搜索次数作为当前窗口的搜索流行度，形成搜索流行度向量，另外根据借阅的起始时间和截止时间计算借阅趋势，如果借阅周期与当前窗口存在重叠，则统计当前窗口每本书籍的借阅流行度，形成借阅流行度向量，最后，计算当前窗口内在借阅册数，其中最大借阅册数为标签label；

4)用户特征处理：将用户性别和借阅记录特征使用独热编码进行编码；

5)对Wide&Deep模型输出层进行改进，将模型的输出层由适合分类问题的softmax或sigmoid函数的输出层改为适合回归问题的线性输出层，直接输出一个实数值；

6)Wide&Deep模型损失函数使用均方误差，计算预测需要册数和实际最大册数损失；

7)模型训练时，Wide部分输入用户与图书的借阅记录，用于捕捉大规模稀疏特征的交互，Deep部分主要学习物品的特征向量和用户特征向量，用于学习用户和图书的深层特征表达；

8)调整输出范围：根据当前所有图书中册数最大最小值的要求，对模型的输出范围进行调整；

9)采购预测：模型训练完成后，预测每种图书的需求量，如果预测值大于该图书的当前最大量的百分之80，则增加该图书的数量。