1.基于矩阵分解和知识图谱的服装搭配推荐方法，其特征在于，具体操作过程包括如下步骤：
步骤1，根据服装自身的特性，建立上装和下装搭配组合矩阵，通过分解搭配组合矩阵分别得到上装特征矩阵和下装特征矩阵；
步骤2，在步骤1分解搭配组合矩阵的过程中融入上装和下装之间的语义信息，结合知识图谱和矩阵分解计算上下装的相似度，得到合适的服装搭配推荐。
2.如权利要求1所述的基于矩阵分解和知识图谱的服装搭配推荐方法，其特征在于，所述步骤1的具体过程如下：
根据服装自身的特性，将上装和下装的搭配看作二元关系，则形成服装搭配组合矩阵m，将搭配组合矩阵m分解后得到上装特征矩阵uc，下装特征矩阵lc，如式(1)所示：
m＝uc×lc(1)
为了对比分解后的上装特征矩阵uc与下装特征矩阵lc相乘结果与原始搭配组合矩阵差异，定义损失函数将矩阵分解问题转化为求解最优解问题，采用平方损失的损失函数如式(2)所示：
式中，如果上装uc与下装lc是专家给出的搭配，则muc,lc＝1，否则muc,lc＝0；m'uc,lc为上装uc与下装lc搭配的估计值；λ1||puc||2+λ2||qlc||2是正则化项，来减少过拟合风险。
3.如权利要求2所述的基于矩阵分解和知识图谱的服装搭配推荐方法，其特征在于，所述步骤2的具体过程如下：
步骤2.1，通过知识图谱表示学习transr算法训练得到服装的特征向量；
步骤2.2，将步骤1中服装搭配组合矩阵中的上装特征矩阵和下装特征矩阵与步骤2.1知识图谱得到的服装特征向量进行匹配；
步骤2.3，根据步骤2.2的匹配结果，选取知识图谱中与待预测上装最相似的k个近邻下装融入式(1)得到矩阵分解模型；
步骤2.4，通过学习步骤2.3得到的模型求解矩阵分解后的低维上装特征矩阵和下装特征矩阵，计算上装和下装的相似度，得到下装的预测评分。
4.如权利要求3所述的基于矩阵分解和知识图谱的服装搭配推荐方法，其特征在于，所述步骤2.3中将知识图谱中进行融合后的目标函数为如式(3)所示：
其中，式中第一项来自矩阵分解模型；第二项和第三项分别是上装特征矩阵和下装特征矩阵过拟合的正则化项，来减少过拟合风险；第四项是通过知识图谱表示学习计算出下装之间的隐藏相似性信息。
式中，d是通过transr模型训练出来的实体向量的维度。
5.如权利要求4所述的基于矩阵分解和知识图谱的服装搭配推荐方法，其特征在于，对式(3)的求解过程如下：
采用随机梯度下降的方法最小化目标函数求解上装特征矩阵puc和下装特征矩阵qlc；具体是：通过对参数求偏导数来寻找最快下降方向，分别如式(5)和式(6)所示：
采用梯度下降方法对融合后的目标函数公式(3)进行参数学习优化，当上装特征矩阵puc和下装特征矩阵qlc与步骤1中式(2)的求解相近时，则迭代过程结束，将此时的上装特征矩阵puc和下装特征矩阵qlc带入公式4中计算相似度，从而得到服装搭配推荐结果。