1.一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，所述推荐方法包括：

S1、获取用户群体的历史观影数据和历史影评数据，并对其进行预处理；

S2、按照用户观看的电影类型，对所述用户创建类别标签；对具有同一类别标签的用户，按照用户的观影次数，对所述用户进行分级；

S3、将预处理后的数据和该电影对应的宣发手段进行整合并形成一系列的历史词向量；输入到长短时记忆网络中，利用历史影片的实际评分对长短时记忆网络进行训练，输出预测出的历史影片的评分；直至损失函数值趋于平稳，则完成训练；

S4、对当前上映电影的观影数据、影评数据进行预处理后，与其宣发手段整合并形成当前词向量，在完成训练后的长短时记忆网络中输入该当前词向量，计算出当前电影的评分值；

S5、根据电影的评分值确定对应的用户类别标签，根据用户对应的等级采用与所述等级对应的推荐方式进行电影推荐。

2.根据权利要求1所述的一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，所述预处理包括对影评进行去重；稀疏数据清洗；信息拼接并形成词向量；对词向量进行分词；分词包括：非关键词性过滤，停用高频词，人为介入高质量保留词性以及提取影评中对电影定性影响关键的词。

3.根据权利要求1所述的一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，按照用户观看的电影类型，对所述用户创建类别标签包括计算出用户在过去一段时间对所参与各个类型的电影的最终评分，选择最终评分最高的三种电影类型作为用户的类别标签。

4.根据权利要求1或3所述的一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，所述对具有同一类别标签的用户，按照用户的观影次数，对所述用户进行分级包括统计用户在过去一段时间内观影次数，根据统计出的观影次数对所述用户进行分级，从而确定该用户的等级。

5.根据权利要求4所述的一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，根据历史观影次数对用户进行分级的，观影次数高于第一阈值的为高级用户，观影次数高于第二阈值小于第一阈值的为中级用户，观影次数低于第二阈值的为初级用户。

6.根据权利要求1所述的一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，所述步骤S3包括分别在长短时记忆网络的输入门、遗忘门和输出门输入t时刻的词向量特征，遗忘门读取上个隐藏层输出的特征向量，同时判断对t时刻之前的隐藏层的特征向量是否需要进行保留；输入门对当前细胞状态进行更新；输出门基于本隐藏层的细胞状态确定输出值，最后将输出门的输出值经过一层softmax函数，结果即为当前时刻电影的得分情况。

7.根据权利要求6所述的一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，遗忘门根据上个隐藏层的输出以及电影序列的输入确定从细胞状态中需要保留的信息：ft＝σ(Wf×[ht‑1,xt]+bf)；输入门确定当前需要输入到细胞状态的信息：it＝σ(Wi×[ht‑1,xt]+bi)，备选更新的细胞状态为： 而细胞状态最终更新过程由备选更新状态信息与上个细胞状态所保留的信息共同决定： 输出

门确定从细胞状态的输出信息：ot＝σ(Wo×[ht‑1,xt]+bo)；其中，σ表示sigmoid激活函数，ht‑1表示上一时刻隐藏层的输出，xt表示当前时刻的输入向量，bf表示遗忘门的偏置，Wf表示遗忘门的求导计算过程，Wi表示输入门的求导计算过程，bi表示遗忘门的偏置， 表示备选细胞状态，tanh表示tanh激活函数，bC表示细胞状态的偏置，Wo表示输出门的求导计算过程，bo表示输出门的偏置。

8.根据权利要求6所述的一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，所述长短时记忆网络还包括全连接层，经过全连接层，对输出结果进行分类，即得到对历史电影的最终评分趋势。

9.根据权利要求6所述的一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，每经过一个时间周期，删除距离当前时间周期最久的历史观影数据和历史影评数据，并将当前时间周期的历史观影数据和历史影评数据补入；根据补入更新后的历史数据集，重新训练长短时记忆循环神经网络。

10.根据权利要求1所述的一种基于长短时记忆网络以及用户评论的电影推荐方法，其特征在于，所述根据用户对应的等级采用与所述等级对应的推荐方式进行电影推荐包括：当用户为高级用户时，使用基于电影相似度过滤的方法对用户进行个性化电影推荐；

当用户为初级用户时，使用协同过滤方法进行个性化电影推荐。