1.一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，包括以下步骤：步骤1、获取推荐系统的评分数据，并利用三分法对推荐系统中的评分进行分类，建立每个类别的隶属度函数，得到评分的模糊集表示；

步骤2、根据评分的模糊集表示分别建立用户和项目的模糊集表示，所述模糊集表示用户或项目分别在低分、中分、高分的倾向；

步骤3、根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集表示，并进行归一化处理；

步骤4、根据噪声检测规则进行自然噪声检测；

步骤5、自然噪声修正：根据最大隶属度原则，对已经检测出的噪声数据进行修正，对所有噪声修正完成后形成新的数据集；

所述步骤1利用三分法对推荐系统中评分进行分类，并建立每个类别的隶属度函数，并得到评分的模糊集表示，具体包括：评分预划分为三个类别：低分(low)，中分(medium)，高分(high)，低分隶属度函数为A1,中分隶属度函数为A2，高分隶属度函数为A3，根据三分法有：a、b分别表示低分‑中分(low‑medium)分界点所满足的正态分布的均值和中分‑高分(medium‑high)分界点所满足的正态分布的均值，σ1、σ2分别表示低分‑中分(low‑medium)分界点所满足的正态分布的方差和中分‑高分(medium‑high)分界点所满足的正态分布的方差，其中R代表推荐系统的评分范围集合，minR和maxR分别为最小值和最大值运算，round为取整运算；

根据低分(low)，中分(medium)，高分(high)的隶属度函数，任意一个评分的模糊集表示为：Fr＝(A1(r),A2(r),A3(r))。

2.根据权利要求1所述的一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，所述步骤2根据评分的模糊集表示分别建立用户和项目的模糊集表示，该模糊集表示用户或项目分别在低分(low)，中分(medium)，高分(high)的倾向，具体为：用户模糊集(Fu)：

项目模糊集(Fi)：

其中，Ru表示用户提供的历史评分集合， 分别表示用户u在低分，中分和高分上的倾向， 分别表示项目i在低分，中分和高分的倾向，r表示一个特定的评分值，Ri表示项目获得的历史评分集合，函数|·|返回一个集合的大小。

3.根据权利要求2所述的一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，所述步骤3根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集表示，并进行归一化处理，具体包括：p

根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集Fr 表示：其中 分别表示预估评分在低分，中分和高

分上隶属度；

对上式进行归一化处理，

4.根据权利要求3所述的一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，所述步骤4根据噪声检测规则进行自然噪声检测，具体包括：自然噪声检测：任意用户u对项目i的原始评分令为 d为原始评分和预估评分之间的误差，公式为： 其中函数|·|2表示L2范氏；

将误差d映射到[0,1]空间，为： s代表原始评分 和预估评分 的相似性，通过实验设置合适的阈值δ控制数据集含噪程度，据此建立噪声检测规则；

噪声检测规则：当s＜δ，原始评分 被认为是自然噪声。

5.根据权利要求4所述的一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，所述步骤5.自然噪声修正：根据最大隶属度原则，对已经检测出的噪声数据进行修正，规则如下：当 自然噪声用a代替，

当 自然噪声用(a+b)/2代替，

当 自然噪声用b代替；

其中，a、b分别表示低分‑中分(low‑medium)分界点所满足的正态分布的均值和中分‑高分(medium‑high)分解点所满足的正态分布的均值，对所有噪声修正完成后形成新的数据集。

6.一种存储介质，该存储介质内部存储计算机程序，其特征在于，所述计算机程序被处理器读取时，执行上述权利要求1～5任一项的方法。