1.结合矩阵分解和协同过滤算法的电影推荐方法，其特征在于，包括如下步骤：获取用户原始评分矩阵，所述用户原始评分矩阵包括了N个用户对M部电影的评分信息；

基于所述用户原始评分矩阵采用奇异值分解提取用户-特征矩阵UZ；

基于所述用户-特征矩阵UZ计算用户相似度矩阵SIMu,v；

基于预设的k值及所述用户相似度矩阵SIMu,v计算用户的k特征近邻集合；

基于用户的k特征近邻集合及所述用户原始评分矩阵计算每部电影的预测评分；

基于每部电影的预测评分将所有电影按预设规律进行排序并推荐。

2.如权利要求1所述的结合矩阵分解和协同过滤算法的电影推荐方法，其特征在于，基于所述用户原始评分矩阵采用奇异值分解提取用户-特征矩阵UZ的具体方法包括：将用户原始评分矩阵进行基于SVD的矩阵分解，则 式中，SVD表示奇异值分解，Rum为所述用户原始评分矩阵，UZ为用户-特征矩阵，表示用户与潜在特征之间的矩阵向量描述，SZ为对角矩阵，表示降维后的奇异值矩阵表示降维后的奇异值矩阵(z*z)，z为降维维度，VZ为电影-特征矩阵，表示电影与潜在特征之间的矩阵向量描述。

3.如权利要求1所述的结合矩阵分解和协同过滤算法的电影推荐方法，其特征在于，所述基于所述用户-特征矩阵UZ计算用户相似度矩阵SIMu,v的具体方法包括：提取用户-特征矩阵UZ，基于公式 计算

潜在特征的用户相似度；

其中Ujk表示同时拥有潜在特征j和k的用户集合，j和k表示任意两个不相同的潜在特征，表示潜在特征j的用户平均喜好度，表示潜在特征k的用户平均喜好度，ru,j和表示用户u对潜在特征j的喜好度，ru,k表示用户u对潜在特征k的喜好度；u为N个用户中任意一个用户；用户-特征矩阵UZ里的元素数值代表用户对潜在特征的喜好度；

由计算得到的用户相似度的集合构成用户相似度矩阵SIMu,v。

4.如权利要求1所述的结合矩阵分解和协同过滤算法的电影推荐方法，其特征在于，基于预设的k值及所述用户相似度矩阵SIMu,v计算用户的k特征近邻集合的具体方法包括：设置潜在特征相似度阈值τf，τf表示潜在特征f的相似度阈值，f为任意一个潜在特征；

基于SIMu,v及潜在特征相似度阈值τf计算用户的k特征近邻集合{Neibhgoru}。

5.如权利要求1所述的结合矩阵分解和协同过滤算法的电影推荐方法，其特征在于，基于用户的k特征近邻集合及所述用户原始评分矩阵计算每部电影的预测评分的具体方法包括：基于公式 计算任意两部电影之间的偏差；

式中，devm,n表示电影m和电影n的偏差，电影m和电影n表示M部电影中任意两部不相同的电影，Sm,n(x)表示同时对电影m和电影n评分的用户集合，且Sm,n(x)∈{Neibhgoru}，card()表示Sm,n(x)中包含的元素的个数，um表示用户u对于电影m的评分，un表示用户u对于电影n的评分；

基于公式 计算每部电影的预测评分；

式中，其中，Nummn＝Sm,n(x)，Pum为电影m的预测评分，run表示用户u对电影n的评分，Iu表示除了电影m以外的电影的集合。