1.一种电影推荐方法，包括以下几个步骤：

步骤一、根据电影数据集中的电影的ID，从IMDB网站中提供的API中下载电影的电影海报；

步骤二、构建变分自编码，变分自编码包括一个编码器和和一个解码器，为了对解码器的概率条件分布qφ(z|x(i))进行参数估计，使用编码器的条件概率分布pθ(x(i)|z)去逼近真实的后验概率qφ(z|x(i))，并采用了相对熵来判断两个分布的相似程度，于是目标公式为：L(θ,φ；x(i))＝KL(qφ(z|x(i)),pθ(x(i)|z))+logpθ(x(i))(i) (i) (i)

其中，L(θ,φ；x )是求取的损失函数，而KL(qφ(z|x ),pθ(x |z))则表示编码器的条件概率分布逼近解码器的条件概率分布的程度，θ和φ分别代表的是编码器和解码器的条件概率分布pθ(x(i)|z)和qφ(z|x(i))，x(i)其中的x代表的是电影样本，带括号的上标i代表的是计算的第i个电影样本；z是编码器的输出值以及解码器的输入值，对于编码器中的条件(i) 2分布pθ(x |z)，式中参数θ的均值是μ'，方差是σ'，h'代表的是编码器的隐藏层，下式中W代表是权重矩阵而b1'到b3'，代表编码器出现的均值、方差和隐藏层的偏置量，由于输入的图像是实值数据，所以μ'＝Wh'+b1'

σ'2＝Wh'+b2'

h'＝tanh(Wz+b3')

对于解码器中的条件分布qφ(z|x(i))式中参数φ的均值是μ，方差是σ2，h则是代表的是解码器的隐藏层，b1到b3，代表解码器出现的均值、方差和隐藏层的偏置量，其值为：μ＝Wh+b1

σ2＝Wh+b2

h＝tanh(Wz+b3)

根据以上假设，获取目标公式为：

其中，z(i,h)＝μ(i)+σ(i)+ε(h),ε(h)～p(ε)，ε是噪声变量，且它的维数n与z一致，H代表的是隐藏层的层数；构建好变分自编码后，使用部分电影海报对变分自编码进行训练并保存模型；

步骤三、使用训练好的变分自编码模型对电影海报进行特征提取，将变分自编码模型中的解码器的输入作为提取出来的n维的海报特征，同时又把电影海报特征作为电影的n维潜在特征向量，使用余弦相似度的公式计算电影之间相似度，同时按照电影的相似度进行排序；

步骤四、根据排序后的结果，选择相似度最相近的前N部电影作为推荐结果推荐给用户。

2.根据权利要求1所述的一种电影推荐方法，其特征在于；所述使用电影海报训练获得的变分自编码模型，包括一个编码器和一个解码器，变分自编码模型为无限监督的算法，对提取图片的潜在特征有良好的效果。

3.根据权利要求1所述的一种电影推荐方法，其特征在于；所述使用余弦相似度计算电影之间的相似度，其中，余弦相似度的计算公式如下：式中,X为待推荐电影的潜在特征向量，(x1,x2,x3,...,xn)＝X，Y为其他电影的潜在特征向量，(y1,y2,y3,...,yn)＝Y；遍历获取的电影海报，将提取的电影海报潜在特征作为电影的潜在特征，求出其他电影潜在特征与待推荐的电影潜在特征的相似度，由高到低进行排序。