1.一种基于加权协同过滤算法的电影推荐方法，其特征在于，包括：获取历史评分数据集；

基于历史评分数据集生成第一历史评分矩阵RCF及第二历史评分矩阵RSL，其中，所述第一历史评分矩阵RCF包括了第一用户对电影的历史评分数据，所述第一用户是为预设阈值及预设阈值以上的个数的电影进行过评分的用户，所述第二历史评分矩阵RSL包括了第二用户对电影的历史评分数据，所述第二用户是为预设阈值以下的个数的电影进行过评分的用户；

对所述第一历史评分矩阵RCF进行协同过滤生成第一评分矩阵R’CF；

合并所述第一评分矩阵R’CF及所述第二历史评分矩阵RSL生成第二评分矩阵Rmn；

对所述第二评分矩阵进行加权协同过滤计算出所有电影的第一预测评分；

将所有电影按照其第一预测评分的大小以预设规律进行排序并进行推荐。

2.如权利要求1所述的基于加权协同过滤算法的电影推荐方法，其特征在于，所述对所述第一历史评分矩阵RCF进行协同过滤生成第一评分矩阵R’CF包括：计算所述第一历史评分矩阵RCF中所有电影之间的相似度；

基于所有电影之间的相似度计算所述第一历史评分矩阵RCF中没有评分的电影的第二预测评分；

基于所述第一历史评分矩阵RCF及所述第二预测评分生成所述第一评分矩阵R’CF。

3.如权利要求1所述的基于加权协同过滤算法的电影推荐方法，其特征在于，所述对所述第二评分矩阵进行加权协同过滤计算出所有电影的第一预测评分包括：计算所有电影的平均偏差；

基于所述平均偏差计算所有电影的第一预测评分。

4.如权利要求1-3任一项所述的基于加权协同过滤算法的电影推荐方法，其特征在于，所述基于历史评分数据集生成第一历史评分矩阵RCF及第二历史评分矩阵RSL包括基于所述历史评分数据集生成总历史评分矩阵，基于所述总历史评分矩阵生成第一历史评分矩阵RCF及第二历史评分矩阵RSL，所述第二评分矩阵Rmn中用户及电影的顺序与所述总历史评分矩阵中的用户及电影的顺序相同。

5.如权利要求2所述的基于加权协同过滤算法的电影推荐方法，其特征在于，所述计算第一历史评分矩阵RCF中所有电影之间的相似度包括：采用公式 计算第一历史评分矩阵RCF中所

有电影之间的相似度；

其中，sim(j,i)表示电影j和电影i的相似度，Uji表示对电影j和i同时评分的用户的集合，j和i可以指代任意两部不同的电影，ru,j表示用户u对电影j的评分，ru,i表示用户u对电影i的评分，和 分别表示电影j和i的平均评分。

6.如权利要求2所述的基于加权协同过滤算法的电影推荐方法，其特征在于，所述基于所有电影之间的相似度计算所述第一历史评分矩阵RCF中没有评分的电影的第二预测评分包括：采用公式 计算所述第一历史评分矩阵RCF中没有评分的

电影的第二预测评分；

其中，Ni表示电影i的最近邻，i为任意一部电影，表示用户的历史均分，表示电影i的平均评分，Pui表示用户u对电影i的第二预测评分，rui表示用户u对i的最近邻电影的评分，n为i的最近邻电影，Sim(i,n)表示电影i和电影n的相似度。

7.如权利要求3所述的基于加权协同过滤算法的电影推荐方法，其特征在于，所述计算所有电影的平均偏差包括：采用公式 计算所有电影的平均偏差；

其中，devj,i表示电影j和电影i的偏差，电影i和电影j表示任意两部不相同的电影，Sj,i(x)表示同时对电影i，j评分的用户集合，card()表示其中包含元素的个数，uj表示电影j的评分，ui表示电影i的评分。

8.如权利要求7所述的基于加权协同过滤算法的电影推荐方法，其特征在于，基于平均偏差计算所有电影的第一预测评分包括：采用公式 计算所有电影的第一预测评分；

其中，cj,i＝card(Sj,i(x))，P′(u)j为电影j的第一预测评分，devj,i表示电影j和电影i的偏差，ui表示电影i的评分，S(u)-{j}表示除了电影j以外的电影的集合，电影j和电影i为任意两部不同的电影。