1.一种基于自编码机和聚类的混合推荐方法，其特征在于，具体步骤如下：(1)将用户评分矩阵和用户人口统计学特征结合；(2)使用自编码机学习用户特征，并使用得到的用户特征对用户聚类；(3)使用MAE计算最适合每个类别用户的推荐方法，并组合推荐方法得到混合推荐模型；(4)计算目标用户类别，并使用混合推荐模型得到推荐结果。2.根据权利要求1所述的一种基于自编码机和聚类的混合推荐方法，其特征在于，所述步骤(1)中将用户评分矩阵和用户人口统计学特征结合的具体步骤如下：(1.1)设用户数集U＝{U1,U2,…,Un}，项目数据集I＝{I1,I2,…,Im}，用户对项目的评分范围是[0,5]；(1.2)设用户人口统计学数据集为F＝{F1,F2,F3}，F1为用户的年龄，F2为用户的性别，F3为用户的工作类型；(1.3)建立用户项目评分矩阵A，其中Anm表示用户Un对项目Im的评分，建立用户信息矩阵B，其中Bn1表示用户Un的年龄，Bn2表示用户Un的性别，Bn3表示用户Un的工作；(1.4)合并用户评分矩阵A和用户信息矩阵B，形成用户特征矩阵C。3.根据权利要求1所述的一种基于自编码机和聚类的混合推荐方法，其特征在于，所述步骤(2)中使用自编码机学习用户特征，并使用得到的用户特征对用户聚类的具体步骤如下：(2.1)对用户特征矩阵C进行归一化处理；(2.2)设定自编码机隐藏层为100，学习速率0.0003，迭代次数为500次；(2.3)使用自编码机对矩阵C进行非线性降维，得到新的矩阵D；(2.4)使用K-means++方法对用户数据聚类，设定K值为m，得到用户簇{C1，C2，…，Cm}。4.根据权利要求3所述的一种基于自编码机和聚类的混合推荐方法，其特征在于，所述步骤(3)中得到混合推荐模型的具体步骤如下：(3.1)定义循环变量为t，并赋初值t＝1；(3.2)当t<＝m执行步骤(3.3)，否则执行步骤(3.19)；(3.3)定义循环变量为k，并赋初值k＝5；(3.4)当k<＝50执行步骤(3.5)，否则执行步骤(3.7)；(3.5)在簇Ct上使用BaselineOnly推荐方法，k是最近邻个数，并计算MAE值；(3.6)k＝k+5；(3.7)记录簇Ct在BaselineOnly推荐方法的最小MAE并赋值给MAEB；(3.8)定义循环变量为k，并赋初值k＝5；(3.9)当k<＝50执行步骤(3.10)，否则执行步骤(3.12)；(3.10)在簇Ct上使用KNNBaseline推荐方法，k可是最近邻个数，并计算MAE值；(3.11)k＝k+5；(3.12)记录簇Ct在KNNBaseline推荐方法的最小MAE并赋值给MAEK；(3.13)定义循环变量为k，并赋初值k＝5；(3.14)当k<＝100执行步骤(3.15)，否则执行步骤(417)；(3.15)在簇Ct上使用SVD推荐方法，k是因子个数，并计算MAE值；

(3.16)k＝k+5；(3.17)记录簇Ct在SVD推荐方法的最小MAE并赋值给MAES；(3.18)记录簇Ct和MAEB,MAEK,MAES中最小的值代表的推荐方法；(3.19)得到簇{C1，C2，…，Cm}表现最好的推荐方法和方法的参数。5.根据权利要求4所述的一种基于自编码机和聚类的混合推荐方法，其特征在于，所述步骤(4)中计算目标用户类别，并使用混合推荐模型得到推荐结果的具体步骤如下：(4.1)设待推荐的用户为Um，将用户Um的评分数据和人口统计学数据结合；(4.2)对待用户数据进行归一化处理；(4.3)使用步骤(2.4)训练的聚类方法，对待推荐用户Um用户分类，得到用户类别Cn；(4.4)使用步骤(3.19)得到的最适合类别Cn的推荐方法，生成推荐列表。