1.一种基于老用户兴趣模型的电影个性化相似度计算方法，其特征在于，包括步骤：s1、基于某段时间T内的用户行为数据和该段时间内观影记录中评价最高的N部电影，建立用户动态行为信息库；

s2、对上述用户动态行为信息库进行数据挖掘，得到用户对电影各维度的偏好、以及用户对电影中各维度上特征值的偏好，构建用户兴趣模型；其中，(1)用户对电影各维度的偏好采用空间向量可表示为一个六元组，即：V＝{V1:w1,V2:w2,V3:w3,V4:w4,V5:w5，,V6:w6} (1.1)Vi表示电影的维度，wi表示用户对电影各个维度的权重，i∈[1,6]，且通过对用户的搜索行为、条件查询行为的统计分析，以及对T段时间内用户高评分的N部电影的特征提取，挖掘用户在演员、导演、类型、地区、时间和内容简介六个维度不同的偏好程度，求得各维度权重wi；

(2)用户对电影中各维度上特征值的偏好可表示为：Vi＝{Tij:Wij} (1.2)式中，Tij为第i维度中的第j个特征值，Wij为第i维度中特征值j的权重，且通过用户的搜索行为，挖掘用户感兴趣的演员和导演信息，通过用户对类型、时间、地区不同条件下的筛选查看，挖掘用户对这三个维度上感兴趣的特征值信息；通过分析用户高评分的N条观影记录和收藏记录，提取电影各维度特征值信息；

综合以上分析，计算各维度各特征值的权重，即：

Vij＝wi*Wij (1.3)

式中，Vij表示在第i维度中第j个特征值的兴趣度，i∈[1,6]，j∈[1,n)；

s3、通过用户兴趣模型对电影六个维度的分析，根据公式(1.4)计算电影A和电影B之间各维度的相似度，生成个性化电影相似度表；

式中，i∈[1,4]，分别表示电影的演员、导演、类型、地区四个维度，j表示维度上特征值，Vij表示电影在第i个维度上第j个特征值的权重；

电影A和电影B在时间维度上的相似度计算公式为：

式中，Date表示当前的时间，DA表示电影A的发布时间，DB表示电影B的发布时间，min()表示取最小值，max()表示取最大值；

电影A和电影B在内容简介维度上的相似度计算公式为sim(M6A,M6B)，利用Simhash算法计算得到；

s4、根据s2和s3中得到的各维度权重及其各维度相似度，利用公式(1.6)计算电影相似度：A B

式中，wi表示对应各维度的权重，sim(Mi,Mi)表示对应各维度的相似度，i∈[1,6]。

2.一种针对新用户的电影个性化相似度计算方法，其特征在于，包括如下步骤：s1、抽取每部电影的演员信息、导演信息、类型信息和地区信息、时间信息和内容简介信息，形成六维向量空间；

s2、基于用户显性信息对该用户做分类处理，找到与该用户最相似的簇群，运用统计学方法分析该人群在演员、导演、类型、地区、发布时间和内容简介六个维度上的平均偏好；

s3、基于电影自身内容特征，采用各维度加权求和的方法计算电影相似度，即：Sim＝w1x1+w2x2+w3x3+w4x4+w5x5+w6x6 (2.1)式中，wi表示对应各维度的权重，i∈[1,6]，此值通过步骤s2中的方法计算得到；xi分别表示演员、导演、类型、地区、发布时间五个维度的相似度，i∈[1,5]，利用余弦相似度公式(2.2)计算得到：内容简介维度上的相似度值x6，则利用Simhash算法计算得到。