1.一种融合异构信息网络和深度学习的电影推荐方法，其特征在于：包括以下步骤：S1：获取用户‑电影交互数据，包括用户属性、用户‑电影的交互数据和电影的属性数据；

S2：提取关系对，包括用户‑电影交互关系对、电影属性关系对、用户属性关系对；

S3：构建异构信息网络；根据用户‑电影交互数据构建异构信息网络 其中V表示所有具有实际意义的节点的集合，E表示节点之间的关系的集合，表示实体节点类型映射函数 V→A,θ表示节点间的关系映射函数θ:E→R；任意一个节点v都对应一个节点类型A即 任意一条网络中的边都对应一种关系类型r，即θ(e)∈R；

S4：设计元路径，并根据元路径分别以用户和电影为中心提取网络中的结构关系；在步骤S4中，根据建立的异构信息网络和每个节点之间的逻辑关系，构建S条元路径(M1,M2,M3,...,Ms‑1,Ms)用于用户‑电影关系特征提取，因而第i条路径 表示从实体对象类型A1到实体对象类型Am的结构关系，Ri表示相邻节点之间的关系；根据生成的元路径集M与公式(1)，对于 为 生成h条长度为l的路径，v为起始节点,生成的路径集合用集合D表示，每条路径中每一个节点通过公式(1)确定，公式如下：其中 表示节点类型为t(t∈R)的邻接节点且类型为t+1的节点个数；

根据上述，每条路径确定的具体步骤如下：

(1)初始化需要生成的路径的长度l，元路径m∈M，异构信息网络g；

(2)根据节点集V，选定一个初始节点，并作为当前节点；

(3)根据g，确定与当前节点相邻的节点集；

(4)根据当前节点的类型，与该节点相邻的节点集，元路径中的节点类型和下一个需要确定的节点类型，由公式(1)确定下一个节点，将此节点加入路径，并作为当前节点；

(5)根据当前的路径长度确定是否要迭代执行步骤(3)(4)；

S5：采用HIN2Vec方法提取网络中的节点特征；为了提取节点的特征表示信息，采用已有方法HIN2Vec，具体如下，首先给V中的每个节点v随机生成一个k维特征向量用于描述v构成特征集 并从每条路径d∈D中提取四元关系组 作为训练特征的数据，其中x1,x2是路径d上任意两相邻节点，r(r∈R)表示两节点之间的关系，Is(x1，x2，r)表示x1，x2是否存在关系r，若存在则值为1，不存在则为0，如公式(2)所示：提取好四元组关系后，节点特征更新方法如下：

S51：建立目标损失函数：

F(x1，x2，r)＝Is(x1，x2，r)logp(r|x1，x2)+(1‑Is(x1，x2，r))log[1‑p(r|x1，x2)]S52：采用随机梯度下降方法最大化目标函数F，并利用数据 迭代更新节点特征w∈W，公式如下：其中W′x1作为节点x1的权重矩阵， 是代表x1的初始特征表示；

S6：构建用户‑电影交互特征矩阵，并根据电影数据集，给特征矩阵标签化；得到节点集的特征表示后，取出所有代表用户U和电影I的节点集，将用户与电影的交互特征 表示如下：其中 代表矩阵乘法， 代表用户的不同元路径的权重， 代表电影的不同元路径的权重；在取得用户与电影的交互特征之后，根据数据集提取用户与电影的访问关系，提取方式如下：S7：构建卷积神经网络模型，根据S6生成的标签化的特征矩阵，训练卷积神经网络模型；

S8：运用训练好的模型进行偏好预测，运用TOP‑K排序，生成用户感兴趣的电影序列。

2.根据权利要求1所述的融合异构信息网络和深度学习的电影推荐方法，其特征在于：在步骤S1中，获取的数据包括用户ID数据、用户的性别数据、用户对电影的访问情况数据、电影ID数据、电影的分类数据。

3.根据权利要求1所述的融合异构信息网络和深度学习的电影推荐方法，其特征在于：在步骤S2中，提取的关系对包括{用户：电影，用户：性别，电影：分类}。

4.根据权利要求1所述的融合异构信息网络和深度学习的电影推荐方法，其特征在于：在步骤S7中，构建卷积神经网络，具体步骤如下：

S71：卷积层： 其中bat是每次处理的

数据量，ω_11为卷积核， 代表卷积操作， 为偏置，f(.)代表激活函数，采用线性整流函数(Rectified Linear Unit，ReLU)；

S72：卷积层： ω_12为卷积核， 为偏置，f(.)代表激活函数，采用Relu；

S73：池化层：采用最大池化df_1＝max(h_11)；

S74：卷积层： ω_21为卷积核，b_21∈R为偏置，f(.)代表激活函数，采用Relu；

S75：卷积层： ω_22为卷积核，b_22∈R为偏置，f(.)代表激活函数，采用Relu；

S76：池化层：采用最大池化df_2＝max(h_22)；

S77：全连接层：将df_2转化为一维向量F；

S78：输出：f_output＝softmax(F)；

S79：损失函数：交叉熵损失函数：

其中N为样本数，visit(visit∈Visit)代表原始的用户‑电影访问关系，f_output为预测的访问关系。

5.根据权利要求1所述的融合异构信息网络和深度学习的电影推荐方法，其特征在于：在步骤S8中，运用构建好的卷积神经网络模型，将 与Visitu，i构成二元组作为训练集T送入卷积神经网络中进行训练，利用训练好的模型去预测用户与新的电影的关系，预测结果代表了用户对电影的喜爱程度，将用户最感兴趣的电影推荐给用户。