1.一种基于用户偏好的矩阵分解推荐方法，其特征在于，包括以下步骤：S1，依据用户评分数据，构建用户‑项目评分矩阵和项目偏好程度向量；S2，依据用户评分数据和项目信息数据，构建项目类型矩阵和用户个性化矩阵；S3，利用所述用户‑项目评分矩阵、用户个性化矩阵和项目偏好程度向量，构建用户评分基准矩阵；

所述步骤S3构建用户评分基准矩阵具体包括：将用户‑项目评分矩阵非0值，用全局均值加上用户个性化矩阵、项目偏爱程度向量的均值，从而求得用户评分基准矩阵；

其中，Rb表示用户评分基准矩阵，表示用户打分的全局均值，Nj表示第j个项目的类型个数，Ij表示第j个项目的偏好程度；u，m分别表示用户和项目，Uit表示用户个性化矩阵的元素值；

S4，基于矩阵分解，对所述用户评分基准矩阵进行拆分，从而形成用户‑隐语义矩阵p、隐语义‑项目矩阵q和用户偏好向量bu和项目偏好向量bi；S5，利用梯度下降法，优化用户‑隐语义矩阵p、隐语义‑项目矩阵q和用户偏好向量bu和项目偏好向量bi；S6，利用矩阵p、q和向量bu、bi获得预测评分矩阵，将预测评分高的项目推荐给目标用户；

预测基准分数为：

其中，μ表示全局平均数，Uui表示用户个性化矩阵，Ii表示项目偏爱程度向量；

预测评分矩阵 为：

其中，η表示预测基准分数，bu表示用户评分均值相对η的偏移，bi表示项目评分均值相对η的偏移，qi表示第i个用户的隐类和项目之间的关系矩阵，pu为第u个用户和隐类之间的关系矩阵。

2.根据权利要求1所述的一种基于用户偏好的矩阵分解推荐方法，其特征在于，所述步骤S1依据用户评分数据，构建用户‑项目评分矩阵和项目偏好程度向量具体包括：通过读取用户对不同项目的打分情况，未评分的项目评分为空值，形成一个N×M用户‑项目评分矩阵R；其中元素R(ui，m)表示第i个用户对第m个项目的评分；所述N为用户的总数，M为项目的总数，均为正整数，且i为不大于N的正整数，m为不大于M的正整数；同时根据用户的评分矩阵R计算每个项目均值减去全局均值，获得项目偏爱程度向量 其中元素 表示第m个项目偏爱程度评分，且m为不大于M的正整数。

3.根据权利要求2所述的一种基于用户偏好的矩阵分解推荐方法，其特征在于，所述用户‑项目评分矩阵形成的矩阵为稀疏矩阵，采用邻接表的形式进行存储，矩阵中1表示包含该类型，0表示不包含该类型；项目偏好程度向量的计算是：使用不同用户对同一个项目打分的情况，计算出该项目的均值减去全局均值作为其项目该类型的一个偏爱程度，同理求出每个项目偏爱程度，最终形成项目偏爱程度向量。

4.根据权利要求2所述的一种基于用户偏好的矩阵分解推荐方法，其特征在于，所述步骤S2依据用户评分数据和项目信息数据，构建项目类型矩阵和用户个性化矩阵具体包括：获取项目信息数据，形成一个M×T项目类型矩阵T；其中元素T(m，t)表示第m个项目是否包含类型t，包含则为1，不包含则为0；获取用户的评分矩阵R和项目信息数据，计算用户对不同类型项目打分的一个情况，形成用户个性化特征向量；对每个用户依次计算，最终形成一个N×L用户个性化矩阵U；其中元素P(ui，l)表示第i个用户对第l个项目类型的偏爱程度打分；所述N为用户的总数，L为项目类型的总数，均为正整数，且i、l均为不大于N的正整数。

5.根据权利要求4所述的一种基于用户偏好的矩阵分解推荐方法，其特征在于，所述步骤S2中构建用户个性化矩阵和项目偏爱程度向量的方法包括：根据同一个用户对不同项目类型打分的情况，计算出不同类型项目打分均值减去全局均值，从而求得用户对不同类型项目的一个偏爱程度，同理求出每一个用户偏爱程度向量，最终形成用户个性化矩阵。

6.根据权利要求5所述的一种基于用户偏好的矩阵分解推荐方法，其特征在于，所述步骤S3构建用户评分基准矩阵具体包括：依据步骤S1得到的用户评分矩阵和步骤S2得到的个性化矩阵和偏爱程度向量，通过计算评分偏差，从而得到一个N×M矩阵Rb，即用户评分基准矩阵；其中Rb(ui，mj)代表第i个用户对第j个项目基准打分；所述N为用户的总数，M为项目的总数，均为正整数，且i为不大于N的正整数，j为不大于M的正整数。

7.根据权利要求6所述的一种基于用户偏好的矩阵分解推荐方法，其特征在于，所述步骤S4中，通过预设隐类个数k，初始化一个N×K用户‑隐语义矩阵p、K×M隐语义‑项目矩阵q；

其中p为用户和隐类之间的关系矩阵，q为隐类和项目之间的关系矩阵；所述N为用户的总数，K为隐类个数，均为正整数。

8.根据权利要求7所述的一种基于用户偏好的矩阵分解推荐方法，其特征在于，所述步骤S5中利用梯度下降法，优化用户‑隐语义矩阵p、隐语义‑项目矩阵q和用户偏好向量bu和项目偏好向量bi具体包括：

(1)预测基准分数中加入用户个性化特征和项目偏爱程度特征；

(2)预测评分矩阵 由基准分数、用户‑隐语义矩阵p、隐语义‑项目矩阵q和用户偏好向量bu、项目偏好向量bi构成；

(3)对用户‑隐语义矩阵p、隐语义‑项目矩阵q和用户偏好向量bu、项目偏好向量bi求偏导数，更新用户‑隐语义矩阵p、隐语义‑项目矩阵q和用户偏好向量bu、项目偏好向量bi，从而求得局部最优解。

9.根据权利要求8所述的一种基于用户偏好的矩阵分解推荐方法，其特征在于，所述步骤S6中对于待推荐的项目集合；降序排列待推荐项目的预测评分，取预测评分靠前的top个项目向目标用户进行推荐，1＜top≤M。