1.一种基于用户数据推荐信息的方法，其特征在于，包括：
获取承载有用户数据的文本，通过预设的关键词对所述文本进行分析，获取预算特征向量和性状特征向量；
对所述预算特征向量和所述性状特征向量进行融合处理，获取融合向量；
将多个用户所对应的融合向量分别载入到特征矩阵中；
将所述特征矩阵输入到第一神经网络中进行训练，获取推荐模型；
通过所述推荐模型预测待处理的文本，获取推荐信息。
2.根据权利要求1所述的基于用户数据推荐信息的方法，其特征在于，通过预设的关键词对所述文本进行分析的步骤包括：
预设的关键词包括第一关键词和第二关键词，其中，所述第一关键词与用户的预算信息关联，所述第二关键词与用户的性状信息关联；
通过所述第一关键词确定所述文本中与预算信息关联的第一语句，并通过所述第二关键词确定所述文本中与性状信息关联的第二语句；
分别对所述第一语句和所述第二语句进行向量化，获取所述预算特征向量和所述性状特征向量。
3.根据权利要求2所述的基于用户数据推荐信息的方法，其特征在于，分别对所述第一语句和所述第二语句进行向量化，获取所述预算特征向量和所述性状特征向量的步骤包括：
通过语料库获取所述第一语句和所述第二语句的单词的编码；
通过所述第一语句和所述第二语句的单词的编码分别获取第一语句矩阵和第二语句矩阵；
将所述第一语句矩阵和所述第二语句矩阵分别输入第二神经网络中；
将所述第一语句矩阵和所述第二语句矩阵分别通过一个或者多个尺寸的卷积核进行卷积，获取一个或者多个尺寸的特征图；
对一个或者多个尺寸的所述特征图分别进行池化处理并进行拼接，获取所述预算特征向量和所述性状特征向量。
4.根据权利要求3所述的基于用户数据推荐信息的方法，其特征在于，所述第二神经网络包括：用于处理所述第一语句矩阵的第二一子神经网络和用于处理所述第二语句矩阵的第二二子神经网络；
所述第二一子神经网络和所述第二二子神经网络都包括：输入层、卷积层、池化层和输出层。
5.根据权利要求1所述的基于用户数据推荐信息的方法，其特征在于，所述第一神经网络包括输入层、全连接层和输出层，且所述输出层的激活函数包括sigmoid函数。
6.根据权利要求1或者5所述的基于用户数据推荐信息的方法，其特征在于，将所述特征矩阵输入到第一神经网络中进行训练，获取推荐模型的步骤包括：
获取所述特征矩阵以及预设的推荐信息模版；
将所述特征矩阵输入到所述第一神经网络中获取预测值，将所述预测值和所述推荐信息模版对应；
通过迭代训练所述第一神经网络，当所述预测值与所述推荐信息模版的对应的准确率或者召回率达到或者超过设定值时，获取推荐模型。
7.根据权利要求2所述的基于用户数据推荐信息的方法，其特征在于，推荐信息模版包括消费等级子模版和干预效果子模版，其中，所述消费等级子模版的种类有m种，所述干预效果子模版的种类有n种，所述推荐信息模版的种类有m×n种，其中，m和n均为正整数。
8.一种基于用户数据推荐信息的系统，其特征在于，包括：
预处理模块，用于获取承载有用户数据的文本，通过预设的关键词对所述文本进行分析，获取预算特征向量和性状特征向量，对所述预算特征向量和所述性状特征向量进行融合处理，获取融合向量；
模型模块，用于将多个用户所对应的融合向量分别载入到特征矩阵中，将所述特征矩阵输入到第一神经网络中进行训练，获取推荐模型；
处理模块，用于通过所述推荐模型预测待处理的文本，获取推荐信息；
所述预处理模块、所述模型模块以及所述处理模块信号连接。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行如权利要求1-7中任一所述的方法。
10.一个种机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-7中任一所述的方法。