1.一种广告推送方法，其特征在于，包括：
向社交媒体用户推送第一广告，并获取社交媒体用户对推送的所述第一广告进行操作时使用的操作类型；其中，所述操作类型携带有对被推送的所述第一广告进行操作的社交媒体用户的用户标识；
获取与所述操作类型相匹配的操作评价值，并生成对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系；
提取所述第一广告的文本特征、图像特征以及视频特征，并查询出所述用户标识对应的社交媒体用户的用户信息；
将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码encoder-decoder模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型；
当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的所述第二广告的文本特征、图像特征和视频特征，并将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；
从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告。
2.根据权利要求1所述的方法，其特征在于，所述第一广告推送模型携带有训练好的第一模型参数；
所述方法，还包括：
获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型，获取与所述操作类型相匹配的操作评价值，并生成对被推送所述第二广告进行操作的社交媒体用户的用户标识与操作评价值的第二对应关系；
当利用所述第一广告推送模型向社交媒体用户推送第二广告的广告数量达到广告数量阈值时，获取待训练的第二encoder-decoder模型，其中，待训练的第二encoder-decoder模型携带有随机生成的第二模型参数；
从所述第二对应关系中，获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值；
计算用户标识对应的社交媒体用户对第二广告的预测评价值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的第一差值；
计算所述第一广告推送模型携带的第一模型参数与待训练的encoder-decoder模型携带的第二模型参数的第二差值；
获取对所述第二广告进行过操作的社交媒体用户的用户信息，并提取所述第二广告的文本特征、图像特征和视频特征；
将对所述第二广告进行过操作的社交媒体用户的用户信息、提取出的所述第二广告的文本特征、图像特征和视频特征、以及计算得到的第一差值和第二差值，输入到待训练的第二encoder-decoder模型中，并利用所述第二对应关系中记录的操作评价值作为监督信息，对所述第二encoder-decoder模型进行训练，得到用户标识对应社交媒体用户对已推送的第二广告的模型训练值；
当用户标识对应社交媒体用户对已推送的第二广告的模型训练值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的差值小于操作差值阈值时，确定对所述第二encoder-decoder模型的训练完成，得到第二广告推送模型；
当需要向社交媒体用户推送第三广告时，使用所述第二广告推送模型向社交媒体用户推送第三广告，并对所述第一广告推送模型使用的第一模型参数初始化，以在第二广告推送模型向社交媒体用户推送第三广告的广告数量达到广告数量阈值时，对第一模型参数初始化后的第一广告推送模型进行训练。
3.根据权利要求1所述的方法，其特征在于，提取所述第一广告的文本特征、图像特征以及视频特征，包括：
利用词袋模型或者长短时记忆网络lstm对所述第一广告进行处理，提取所述第一广告的文本特征；
利用卷积神经网络cnn或者lstm对所述第一广告进行处理，提取所述第一广告的图像特征；
利用三维cnn或者基于光流法对所述第一广告进行处理，提取所述第一广告的视频特征。
4.一种广告推送装置，其特征在于，包括：
第一推送模块，用于向社交媒体用户推送第一广告，并获取社交媒体用户对推送的所述第一广告进行操作时使用的操作类型；其中，所述操作类型携带有对被推送的所述第一广告进行操作的社交媒体用户的用户标识；
第一获取模块，用于获取与所述操作类型相匹配的操作评价值，并生成对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系；
提取模块，用于提取所述第一广告的文本特征、图像特征以及视频特征，并查询出所述用户标识对应的社交媒体用户的用户信息；
第一训练模块，用于将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码encoder-decoder模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型；
第一处理模块，用于当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的所述第二广告的文本特征、图像特征和视频特征，并将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；
第二推送模块，用于从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告。
5.根据权利要求4所述的装置，其特征在于，所述第一广告推送模型携带有训练好的第一模型参数；
所述装置，还包括：
第二获取模块，用于获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型，获取与所述操作类型相匹配的操作评价值，并生成对被推送所述第二广告进行操作的社交媒体用户的用户标识与操作评价值的第二对应关系；
第三获取模块，用于当利用所述第一广告推送模型向社交媒体用户推送第二广告的广告数量达到广告数量阈值时，获取待训练的第二encoder-decoder模型，其中，待训练的第二encoder-decoder模型携带有随机生成的第二模型参数；
第四获取模块，用于从所述第二对应关系中，获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值；
第一计算模块，用于计算用户标识对应的社交媒体用户对第二广告的预测评价值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的第一差值；
第二计算模块，用于encoder-decoder模型携带的第二模型参数的第二差值；
第五获取模块，用于获取对所述第二广告进行过操作的社交媒体用户的用户信息，并提取所述第二广告的文本特征、图像特征和视频特征；
第二训练模块，用于将对所述第二广告进行过操作的社交媒体用户的用户信息、提取出的所述第二广告的文本特征、图像特征和视频特征、以及计算得到的第一差值和第二差值，输入到待训练的第二encoder-decoder模型中，并利用所述第二对应关系中记录的操作评价值作为监督信息，对所述第二encoder-decoder模型进行训练，得到用户标识对应社交媒体用户对已推送的第二广告的模型训练值；
第二处理模块，用于当用户标识对应社交媒体用户对已推送的第二广告的模型训练值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的差值小于操作差值阈值时，确定对所述第二encoder-decoder模型的训练完成，得到第二广告推送模型；
第三处理模块，用于当需要向社交媒体用户推送第三广告时，使用所述第二广告推送模型向社交媒体用户推送第三广告，并对所述第一广告推送模型使用的第一模型参数初始化，以在第二广告推送模型向社交媒体用户推送第三广告的广告数量达到广告数量阈值时，对第一模型参数初始化后的第一广告推送模型进行训练。
6.根据权利要求4所述的装置，其特征在于，所述提取模块，用于提取所述第一广告的文本特征、图像特征以及视频特征，包括：
利用词袋模型或者长短时记忆网络lstm对所述第一广告进行处理，提取所述第一广告的文本特征；
利用卷积神经网络cnn或者lstm对所述第一广告进行处理，提取所述第一广告的图像特征；
利用三维cnn或者基于光流法对所述第一广告进行处理，提取所述第一广告的视频特征。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-3任一项所述的方法的步骤。
8.一种电子设备，其特征在于，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行权利要求1-3任一项所述的方法的步骤。