1.一种基于知识图谱和强化学习的电影推荐方法，其特征是，包括如下步骤：获取电影网站的日志数据，提取特征参数数据以及基于知识图谱提取知识特征；

将提取的参数数据以及知识特征传输至训练好的Wide&Deep模型进行个性化召回，获得候选集；

对候选集的数据进行个性化排序，对候选集中的数据进行评分，输出电影点击率，将点击率高于设定阈值的电影作为推荐结果；

采用强化学习优化deep模型的输入向量，优化推荐结果。

2.如权利要求1所述的一种基于知识图谱和强化学习的电影推荐方法，其特征是：电影网站的日志数据包括：地址、日期、电影名称、电影类别、演员、是否评分、评分值和查看简介的次数；

所述候选集的数据包括wide模型的预测电影类别的概率以及deep模型得到的候选集向量；

或者，通过电影特征参数数据构建电影语料库，如下：获取特征参数数据，包括对应网站的电影属性特征以及用户特征获取的特征；通过embedding处理，用密集向量表示，获得语料库。

3.如权利要求1所述的一种基于知识图谱和强化学习的电影推荐方法，其特征是：基于知识图谱提取知识特征的方法，包括如下步骤：识别电影名称和简介中的实体并用实体链接方法消除歧义；

根据设置的知识图谱结构，将识别后的实体链接在一步之内形成子图；

利用基于距离的翻译模型得到子图中每个实体的Embedding向量。

4.如权利要求1所述的一种基于知识图谱和强化学习的电影推荐方法，其特征是：所述Wide模型因子分解机模型，包括特征输入层、调制层以及输出单元,其中调制层采用因子分解机进行调制；

或者，所述deep模型采用DNN网络。

5.如权利要求1所述的一种基于知识图谱和强化学习的电影推荐方法，其特征是：通过deep模型得到候选集向量的识别方法，具体为：将知识特征中的参数特征本身的embedding向量和参数特征的实体embedding向量进行拼接；

将网站中的电影按照用户的历史操作进行分类；

在deep模型的DNN网络输入层之后的隐层采用注意力机制，将网站中的电影进行权重计算后传输至下一层；

将注意力机制评分计算后带有不同权重的电影向量进行relu操作，得到Deep模型部分的候选集向量。

6.如权利要求1所述的一种基于知识图谱和强化学习的电影推荐方法，其特征是：对候选集的数据进行个性化排序的方法为：融合wide模型的预测电影类别的概率以及deep模型得到的候选集向量，输出电影点击率方法，具体为：将wide模型的输出概率值进行排序，得到排序靠前的前k部电影；

排序后的前k部电影的embedding向量与对应该电影的deep模型得到的候选集向量以加权的方式合并到一起；

将所得结果经过sigmod函数进行激活，得到用wide模型和deep模型之后所计算出的电影点击率。

7.如权利要求1所述的一种基于知识图谱和强化学习的电影推荐方法，其特征是：Wide&Deep模型训练过程，包括如下步骤：获取包括已知用户历史行为的电影网站日志数据，提取特征参数数据以及基于知识图谱提取知识特征；

构建Wide&Deep模型，将特征参数数据以及知识特征数据传输至Wide&Deep模型进行识别，分别获得wide模型的预测电影类别的概率以及deep模型得到的候选集向量；

融合wide模型的预测电影类别的概率以及deep模型得到的候选集向量，输出电影点击率，将点击率高于设定阈值的电影作为推荐结果,计算推荐结果与用户实际行为的推荐偏差，修正模型参数，获得训练好的Wide&Deep模型；

根据用户的活跃度反馈信息优化deep模型的输入向量。

8.如权利要求1所述的一种基于知识图谱和强化学习的电影推荐方法，其特征是：根据用户的活跃度反馈信息优化deep模型的输入向量，包括如下步骤：获取用户的活跃度反馈信息，包括用户的意图和所处场景；

考虑长期收益对当前决策的影响，以List‑Wise粒度对电影推荐列表进行调整；

获取用户根据调整后的推荐列表的反馈，通过个性化召回算法获得用户对电影的点击率和观看率，来调整Deep模型不同类电影的注意力权重。

9.一种基于知识图谱和强化学习的电影推荐系统，其特征是，包括：获取模块：被配置为用于获取电影网站的日志数据，提取特征参数数据以及基于知识图谱提取知识特征；

候选集构建模块：将提取的参数数据以及知识特征传输至训练好的Wide&Deep模型进行个性化召回，获得候选集；

排序模块：被配置为用于对候选集的数据进行个性化排序，对候选集中的数据进行评分，输出电影点击率，将点击率高于设定阈值的电影作为推荐结果；

优化模块：被配置为用于采用强化学习优化deep模型的输入向量，优化推荐结果。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑8任一项方法所述的步骤。