1.一种基于用户多种行为反馈的电影推荐方法，其特征在于，包括步骤:s1、电影聚类

根据电影的关键字描述，使用LDA算法将电影聚成m个簇；

设定阈值threshold，0.6≤threshold≤0.8，从每个簇中去掉p(k|i)＜threshold的电影，其中，p(k|i)表示电影i属于电影簇k的概率；

s2、用户相似度计算

针对电影聚类得到每个电影簇k形成与之一一对应的用户群g，用户u对用户群g的隶属度利用如下公式计算，即：式中， 表示用户u对用户群g对应的电影簇k中电影的第t种行为的统计次数，为用户u对所有电影的第t种行为的统计次数，t的取值范围为：1≤t≤T；

根据用户模糊聚类的隶属度计算结果，得到用户u的隶属度向量其中，du,g表示用户u对用户群g的隶属度；

对用户集U中的任意两个用户u和v，通过Pearson相关系数来计算u和v的相似度，并记为sim(u,v)；

s3、生成推荐

设定邻居选取的相似度阈值为sim-threshold，对任意一个用户u从用户集U中选取满足sim(u,v)＞sim-threshold的用户作为用户u的邻居，并记作Neiu；

对Neiu中用户看过用户u未看过的所有电影，通过如下方法预测用户u对电影i的偏好：式中， 表示用户u对电影i的预测偏好，pv,i表示用户v对电影i的偏好，该偏好由用户v的行为权重向量 和用户v在电影i上的行为统计向量 的内积来衡量；权重向量通过交叉验证来获得；

对用户u的对偏好预测结果进行降序排序，选择前N部电影作为用户u的推荐结果。

2.根据权利要求1所述的一种基于用户多种行为反馈的电影推荐方法，其特征在于，在步骤s1中，电影的关键字描述按照如下步骤获得：首先对每部电影简介进行分词处理，保留名词并去掉停用词得到：Wi＝{w1',w2',...,wn'}，其中，Wi表示对电影i进行分词、保留名词去停用词处理后得到的名词描述；

然后根据在所有电影上的处理结果统计出现频率最高的N个词，并从电影的名词描述中剔除这N个词以外的词；

最后结合电影的导演、演员和类型信息得到电影的关键字描述：Wi＝{w1,w2,...,wn}。

3.根据权利要求1所述的一种基于用户多种行为反馈的电影推荐方法，其特征在于，在步骤s2中，近在线阶段用户相似度信息更新步骤为：s1、分别统计用户u对m个电影簇中电影的行为次数；

s2、使用隶属度模型来计算用户u对用户群的隶属度，得到用户u新的隶属度向量，并更新数据库中用户u的隶属度信息；

s3、通过Pearson相关系数基于用户u新的隶属度和数据库中其他用户的隶属度来计算用户u和其他用户的相似度，并更新数据库。