1.一种基于邻域粗糙集的电影三支推荐方法，其特征在于，具体包括以下步骤：S1、从当前电影资源库中选取评分排名60％的电影作为待选集；

S2、获取用户对待选集中电影的评分数据，对评分数据进行归一化处理；

S3、构建用户与用户之间的相似性矩阵；

S4、以目标用户为中心构建邻域，且令邻域内的用户都与邻域中心的用户相似，将邻域中的用户作为近邻用户；用户的邻域大小取决于邻域半径，用户的邻域半径根据训练用户的最佳邻域半径确定，表示为：其中， 为全局邻域半径； 表示用户xi的最佳邻域半径；m为训练用户的总个数；

S5、计算训练数据集的全局领域半径和每个用户的最优邻域半径，若用户最优邻域半径大于全局邻域半径则用户属于正区域或负区域用户，否则用户为边界区域用户；用户x的最优邻域半径 表示为：其中，δ为邻域半径；ρ(x,δ)为用户的邻域粒度密度；N(x,δ)为以x为中心、δ为半径构建的邻域区域；Xi为目标概念；|Vd|为训练用户的总个数；

用户的邻域粒度密度ρ(x,δ)表示为：

其中，|U|表示用户的总数量；|N(x,δ)|为以x为中心、δ为半径构建的邻域的势；

S6、根据边界区域用户隶属目标概念的隶属度构造阴影集，由阴影集模型得到三支推荐的阈值；

S7、待推荐数据根据训练模训练出的邻域半径构建邻以便得到用户隶属目标概念的隶属度，并根据隶属度与推荐阈值的大小关系进行三支划分；用户的隶属度表示为：其中，μA(x)表示用户x的隶属度；N(x,δ)为以x为中心、δ为半径构建的邻域区域；X1表示目标概念，目标概念为有共同喜好的用户集合；|·|表示集合的势；

进行三支划分包括：

其中， 表示三支之后的隶属度；α、β均为推荐阈值，且α和β为两个实数且0≤β＜α≤1、β＝1‑α；

S8、进行三支推荐，即对划分到正区域的用户采取推荐的决策；对划分到负区域的用户采取拒绝推荐的决策；对划分到边界区域的用户，根据用户信息进行进一步划分；

推荐阈值通过构建阴影集模型得出，表示为：

其中，card(·)表示对象属于阴影区域的总个数。

2.根据权利要求1所述的一种基于邻域粗糙集的电影三支推荐方法，其特征在于，用户与用户之间的相似性矩阵中用户i与用户j之间的相似度表示为：其中，Δ(xi,xj)为用户i与用户j之间的相似度，即用户与用户之间的相似性矩阵的第i行j列；v′im表示归一化后用户i对电影m的评分；n表示用户评分的电影数量，如果用户没有看过该电影或者没有评论，则评分为0。

3.根据权利要求1所述的一种基于邻域粗糙集的电影三支推荐方法，其特征在于，进行三支推荐包括：当目标用户隶属度μA(x)≥α，即用户被划分到三支决策的正域，推荐系统推荐当前目标概念对应的电影；

当目标用户隶属度μA(x)≤1‑α，即用户被划分到三支决策的负域，推荐系统不推荐当前目标概念对应的电影；

当目标用户隶属度β＜μA(x)＜α，即用户被划分到三支决策的边界域，推荐系统暂缓决策。