1.基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，包括：S1、获取用户对项目的评分及用户评分时间并进行预处理；

S2、使用预处理后的数据构建基于用户的多维云模型和基于项目的多维云模型，得到基于用户的预测评分和基于项目的预测评分；

S3、将基于用户的预测评分和基于项目的预测评分作为训练好的神经网络评分预测模型的输入数据，得到最终预测评分。

2.根据权利要求1所述的基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，所述进行预处理包括设定时间间隔阈值，若用户评分时间大于时间间隔阈值则根据用户的评分时间对用户对项目的评分进行加权处理，否则不做处理，具体表示为：其中，rjk表示用户j对项目的评分k，λ是时间衰减因子，K表示时间间隔阈值，tnow表示用户对项目评分结束的时刻值，t0表示用户对项目评分开始的时刻值。

3.根据权利要求1所述的基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，所述使用预处理后的数据构建基于用户的多维云和基于项目的多维云模型，得到基于用户的预测评分和基于项目的预测评分包括：S21：将用户数据输入逆向云发生器，得到所有用户对所有项目评分的数据的特征值；

S22：利用一个用户的所有已评分项目的用户数据的特征值构建基于用户的多维云模型；

S23利用一个项目的所有已评分的用户数据的特征值构建基于项目的多维云模型；

S24：通过正向云发生器计算已评分项目的基于用户的隶属度 和基于项目的隶属度S25：计算待评分项目的基于用户的隶属度 和基于项目的隶属度S26：根据待评分项目的隶属度计算出目标用户对待评分项目的基于用户的预测评分和基于项目的预测评分ri2。

4.根据权利要求3所述的基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，基于用户的多维云模型包括：单一用户对项目集合产生的多维云，表示为：

C＝{(Ex1,En1,He1),(Ex2,En2,He2),...,(Exj,Enj,Hej),...,(Exn,Enn,Hen)}；

其中：

其中，Exj表示用户j的所有评分的平均值，rjk表示第j个用户对第k个项目的评分，Enj表示用户j的所有评分的熵， 表示用户j的所有评分的方差，Hej表示用户j的所有评分的超熵。

5.根据权利要求3所述的基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，基于项目的多维云模型包括：单一项目对用户集合产生的多维云，表示为：

C'＝{(Ex1',En1',He1'),(Ex2',En2',He2'),...,(Exk',Enk',Hek'),...,(Exm',Enm',Hem')}；

其中：

其中，Exk'表示项目k的所有评分的平均值，rjk表示第j个用户对第k个项目的评分，Enk'2

表示项目k的所有评分的熵，(Sk') 表示项目k的所有评分的方差，Hek'表示项目k评分的超熵。

6.根据权利要求3所述的基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，通过正向云发生器计算项目的基于用户的隶属度 和基于项目的隶属度 包括：项目的基于用户的隶属度 表示为：

项目的基于项目的隶属度 表示为：

其中，Exk'表示项目k的所有评分的平均值；θ'为第二正态高斯随机变量，表示为θ'＝

2 2 2

NORM[Enk',(Hek') ]，其中NORM[Enk',(Hek') ]是期望为Enk'，方差为(Hek') 的正态高斯随机变量；Exj表示用户j的所有评分的平均值；θ为第一正态高斯随机变量，表示为其中 是期望为Enj，方差为Hej2的正态高斯随机变量。

7.根据权利要求3所述的基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，计算待评分项目的基于用户的隶属度 和基于项目的隶属度 表示为：待评分项目的基于用户的隶属度表示为：

待评分项目的基于项目的隶属度表示为：

其中，Sk|k|表示待预测项目ik与项目i|k|的相似度，m表示项目的数量，Sj|j|表示目标用户uj与用户u|j|的相似度，n表示用户的数量。

8.根据权利要求7所述的基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，待预测项目ik与项目i|k|的相似度、目标用户uj与用户u|j|的相似度包括：待预测项目ik与项目i|k|的相似度表示为：

目标用户uj与用户u|j|的相似度表示为：

其中，n(ik)表示对待预测项目ik评过分的用户数，n(i|k|)表示对项目i|k|评过分的用户数，n(uj)表示目标用户uj评过分的项目数，n(u|j|)表示用户u|j|评过分的项目数。

9.根据权利要求6所述的基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，根据待评分项目的隶属度计算出待评分项目的基于用户的预测评分 和基于项目的预2

测评分ri包括：

目标用户对待评分项目的基于用户的预测评分表示为：目标用户对待评分项目的基于项目的预测评分表示为：

10.根据权利要求1所述的基于多维云和用户动态兴趣的神经网络推荐方法，其特征在于，神经网络评分预测模型的训练过程包括：S31：选取隐含层神经元个数，初始化网络结构的参数、初始化连接权值权值和各神经元的阈值、误差阈值ε和最大学习次数D，令d＝1；

S32：根据用户数据计算隐含层各神经元的输出及输出层各神经元的输出；

S33：根据历史用户对项目的基于用户的预测评分 和基于项目的预测评分ri2与实际用户对项目的评分之间的误差修正各层之间的连接权值；

S34：计算误差值E，判断是否误差值E<ε，若是则输出并储存各层之间的连接权值，否则进行S35；

S35：判断是否d>D，若是则输出并储存各层之间的连接权值，否则返回步骤S32。