1.一种基于深度神经网络的电影推荐方法，其特征在于，包括以下步骤：S1、获取数据集，进行用户特征选择和电影特征选择，得到用户特征和电影特征；其中，用户特征包括用户的基本数据和用户的评分数据，电影特征包括电影的基本数据和电影的评分数据；

S2、根据用户特征构建用户特征矩阵，根据电影特征构建电影特征矩阵；根据用户特征矩阵和电影特征矩阵构建用户‑电影特征矩阵；

S3、初始化电影推荐模型，设置电影推荐模型的总层数L，以及各隐藏层与输出层的神经元个数，确定激活函数，损失函数，迭代步长α,最大迭代次数MAX与停止迭代阈值ε；

S4、将用户‑电影特征矩阵输入电影推荐模型中，采用梯度下降法对模型进行训练，得到训练好的电影推荐模型；

S5、利用训练好的电影推荐模型预测评分并给用户推荐电影；进行预测时，使用用户特征矩阵与电影特征矩阵对网络做正向传播，计算得到预测评分，取评分最高的top_k个，向用户推荐具有较高预测分数的电影来为特定用户生成推荐列表。

2.根据权利要求1所述的一种基于深度神经网络的电影推荐方法，其特征在于，步骤S4中，将用户‑电影特征矩阵输入电影推荐模型中，采用梯度下降法对模型进行训练，具体包括以下步骤：

L

S41、进行深度神经网络DNN正向传播过程，最终得到输出层L层的a；

S42、根据DNN正向传播过程输出的结果确定损失函数；

S43、确定损失函数之后，用梯度下降法迭代求解每一层的线性关系系数矩阵W和偏倚向量b；

S44、判断线性关系系数矩阵W和偏倚向量b的变化值是否都小于停止迭代阈值ε，若是，则保存此次迭代过程中各层的参数，退出迭代循环，将各层参数带入电影推荐模型中更新权值参数，得到训练好的电影推荐模型；否则继续迭代直到损失函数达到最小化或者迭代次数达到最大迭代次数MAX。

3.根据权利要求1所述的一种基于深度神经网络的电影推荐方法，其特征在于，电影推荐模型的总体框架包含嵌入层、卷积层、池化层和全连接层即 输出层，其中，所述嵌入层用于将输入向量转换为具有固定大小的向量；所述卷积层用于提取特征；所述池化层主要用于降维；所述全连接层用于降低电影推荐模型学习过程中的参数敏感度。

4.根据权利要求2所述的一种基于深度神经网络的电影推荐方法，其特征在于，步骤S42中，损失函数表达式如下：其中，J(·)表示损失函数，W表示线性关系系数矩阵，b表示偏倚向量，x为输入向量，特L

征维度为n_in，y为真实值向量，特征维度为n_out，a 表示输出层L输出的向量，L代表输出层，||S||2为S的L2范数。

5.根据权利要求2所述的一种基于深度神经网络的电影推荐方法，其特征在于，步骤S43具体包括：

L

S431、通过损失函数计算输出层L的梯度δ，计算表达式如下：L L

其中，δ表示输出层L的梯度，且 a 表示输出层L的输出向量，y表示训练样L

本的真实值向量，σ′(·)表示激活函数σ(·)的导数，z表示第L层的的未激活前线性输出z组成的向量；

L

S432、得到输出层L的梯度δ后，再采用DNN反向传播算法优化模型，计算深度神经网络DNN各隐藏层的梯度，各隐藏层的梯度计算表达式为：l l l

其中，δ表示第l层的梯度，σ′(z)表示激活函数σ(z )的导数，diag(·)表示返回矩l l+1

阵·的主对角线上的元素，z表示第l层的未激活前线性输出z组成的向量，W 表示第l+1l+1

层的线性系数矩阵，T表示转置，δ 表示第l+1层的偏倚向量；

S433根据各隐藏层的梯度更新每一层的线性系数矩阵W和偏倚向量b，更新表达式如下：

l l

其中，W 表示第l层的线性系数矩阵，b 表示第l层的偏倚向量，l代表除输入层L外的层i,l i,l‑1

数，α为迭代步长，m为训练样本个数，δ 代表第i个样本第l层的梯度，a 代表第i个样本第l‑1层的输出向量。