1.一种具有混合卷积和非对称注意力的评论推荐系统，其特征在于：该系统包括两个并行的子网络和预测模块，两个并行的子网络将最终的输出结果输入预测模块，预测模块对输入的结果进行预测评级；
2.一种具有混合卷积和非对称注意力的评论推荐方法，其特征在于：该方法包括用户获取评论表示的过程和项目获取评论表示的过程；
3.根据权利要求2所述的一种具有混合卷积和非对称注意力的评论推荐方法，其特征在于：所述s2中，卷积层i分别使用两组不同尺寸卷积核的滤波器并行提取文档特征，并将每组所有滤波器提取的文档特征进行拼接，输出拼接后的文档特征结果，具体为：
4.根据权利要求2所述的一种具有混合卷积和非对称注意力的评论推荐方法，其特征在于：所述s2中，卷积层ii使用卷积核尺寸固定的滤波器对嵌入矩阵进行卷积操作，提取评论特征，具体为：
5.根据权利要求3所述的一种具有混合卷积和非对称注意力的评论推荐方法，其特征在于：所述的s3中，在自适应注意力层将每组拼接的文档特征进行融合，将融合的特征进行平均池化得到评论融合特征，将评论融合特征经过全连接层w0和一层softmax运算，得到各组卷积核提取的特征权重，并通过权重的大小自适应地选择特征，得到整个评论文档的特征，将得到的整个文档的特征传递给一个全连接层w1，得到评论文档的输出，具体为：
6.根据权利要求4所述的一种具有混合卷积和非对称注意力的评论推荐方法，其特征在于：所述的s3中，在个性化词注意层对提取的评论特征使用项目id的嵌入来捕获词在不同上下文中的重要性，对捕获的每个单词采用注意力池机制进行表示，将所有单词的特征进行聚合，得到用户u的第i次评论，具体为：
7.根据权利要求5所述的一种具有混合卷积和非对称注意力的评论推荐方法，其特征在于：所述s4中，将得到的评论文档利用个性化注意力层学习每个用户的整个文档特征，将每个用户所有评论特征进行综合，得到每个用户最终评论文档特征，具体为：
8.根据权利要求6所述的一种具有混合卷积和非对称注意力的评论推荐方法，其特征在于：所述s4中，在个性化评论注意力层采用特定于用户的注意力机制，使用目标用户id的嵌入捕捉每个用户的偏好和性格特征，对每个用户的所有评论的权重进行聚合，得到每个用户的最终评论特征，具体为：
9.根据权利要求7或8所述的一种具有混合卷积和非对称注意力的评论推荐方法，其特征在于：用户最终潜特征和项目最终潜在特征，分别表示为：
10.根据权利要求9所述的一种具有混合卷积和非对称注意力的评论推荐方法，其特征在于：所述s6中，潜在因素模型得到用户u对项目i的预测评级，表示为：