1.一种基于卷积协同过滤的电影组推荐方法，其特征在于：所述推荐方法包括：通过运营商获取用户数据和商品内容数据组成用户组，并处理成模型能识别的格式；

使用基于卷积协同过滤推荐算法对以上数据进行处理，得到用户组的推荐列表；

给相关用户组进行推荐，同时获取用户的反馈数据，并将反馈数据返回给系统，处理成相应格式，然后使用基于卷积协同过滤推荐算法进行数据处理计算推荐列表，继续推荐商品给用户组；

所述基于卷积协同过滤推荐算法对数据进行处理包括注意力神经网络的用户组嵌入聚合步骤、项目组嵌入聚合步骤和卷积协同过滤的特征交互学习步骤；所述注意力神经网络的用户组嵌入聚合步骤包括：

收集处理原始数据并进行清洗重组，得到用户数据和项目数据；

采用注意力神经网络对用户组的用户数据进行嵌入处理，通过整个模型学习该用户从属于某个特定组的加权权重；

根据所述该用户从属于某个特定用户组的加权权重对用户的嵌入特征进行加权聚合，从而得到该用户组的嵌入特征；

所述项目组嵌入聚合步骤包括：根据项目的属性数据、项目ID，通过神经网络embedding算法对这些高维稀疏数据进行embedding操作，将高维稀疏数据进行降维转化为低维度、稠密的嵌入特征向量；

所述卷积协同过滤的特征交互学习步骤包括：将获取的用户组的嵌入特征和项目组的嵌入特征按照对应元素做点乘的方式融合，并将融合后的结果再和用户组的嵌入特征、项目组的嵌入特征按照列做叠加处理得到数据的维度；叠加之后的数据维度为256*96；

将获取的数据维度的融合特征送入卷积神经网络进行卷积操作处理；

将卷积操作输出的数据输入到全连接层网络，继续对模型训练，不断提高模型准确度；

首先是卷积操作，当进行卷积操作时，假设卷积核为k*k,边界填充设置为P,步长为S，假设输入维度为H*W,那么输出的维度，H变为 W变为 令卷积核k*k＝3*3，填充P＝1，步长S＝1，经过卷积之后，输入的维度256*96保持不变；

卷积之后，经过卷积的嵌入和原始嵌入进行元素点乘，V＝F(A,E)＝[a1·e1,···,af·ef]＝[c1,···,cf]，其中，A表示原始嵌入，E表示卷积嵌入，V表示经过卷积处理，能够建模原始特征重要度的嵌入；

然后使用全连接层：s＝RELU(W2(RELU(W1V+b1))+b2)，其中，V是嵌入交互得到的数据；

a1：原始嵌入特征的一列向量；e1：原始嵌入特征经过卷积层处理之后获取的卷积嵌入的一列向量；c1：a1·e1计算得到的结果；b1、b2：神经网络前向传播的偏置向量，通过优化算法和W1、W2同步进行训练，其中W1、W2表示映射参数矩阵。

2.根据权利要求1所述的一种基于卷积协同过滤的电影组推荐方法，其特征在于：所述方法还包括：不定期将新的有效用户按照规则组合成新的用户组，通过所述卷积协同过滤推荐算法获取新的用户组的推荐商品信息。

3.根据权利要求2所述的一种基于卷积协同过滤的电影组推荐方法，其特征在于：所述用户数据和商品内容数据包括：用户ID、用户年龄、用户性别、用户所选偏好、用户地址信息、用户浏览信息、用户购买信息、商品ID和商品所属类别。

4.一种基于卷积协同过滤的电影组推荐系统，其特征在于：所述电影组推荐系统包括：数据获取模块：用于获取用户数据和商品内容数据组成用户组，并处理成模型能识别的格式；

数据处理模块：用于使用基于卷积协同过滤推荐算法对以上数据进行处理，得到用户组的推荐列表；

推荐模块：用于给相关用户组进行推荐，同时获取用户的反馈数据，并将反馈数据返回给系统，处理成相应格式，然后使用基于卷积协同过滤算法进行数据处理计算推荐列表，继续推荐商品给用户组；

所述数据处理模块包括：用户组嵌入聚合单元、项目组嵌入聚合单元和特征交互学习单元；

所述用户组嵌入聚合单元：通过注意力神经网络对用户组的用户数据进行嵌入处理得到用户权重，再对用户的嵌入特征进行加权聚合得到用户组的嵌入特征；

所述项目组嵌入聚合单元：根据项目的属性数据、项目ID，通过神经网络embedding算法对这些高维稀疏数据进行embedding操作，将高维稀疏数据进行降维转化为低维度、稠密的嵌入特征向量；

所述特征交互学习单元：获取用户组和项目组的嵌入特征进行融合，然后按照列进行拼接，拼接之后将总的特征输入到单通道卷积神经网络进行卷积操作，最后将卷积操作输出的数据输入到全连接层网络；

具体为：首先是卷积操作，当进行卷积操作时，假设卷积核为k*k,边界填充设置为P,步长为S，假设输入维度为H*W,那么输出的维度，H变为 W变为 令卷积核k*k＝3*3，填充P＝1，步长S＝1，经过卷积之后，输入的维度256*96保持不变；

卷积之后，经过卷积的嵌入和原始嵌入进行元素点乘，V＝F(A,E)＝[a1·e1,···,af·ef]＝[c1,···,cf]，其中，A表示原始嵌入，E表示卷积嵌入，V表示经过卷积处理，能够建模原始特征重要度的嵌入；

然后使用全连接层：s＝RELU(W2(RELU(W1V+b1))+b2)，其中，V是嵌入交互得到的数据；

a1：原始嵌入特征的一列向量；e1：原始嵌入特征经过卷积层处理之后获取的卷积嵌入的一列向量；c1：a1·e1计算得到的结果；b1、b2：神经网络前向传播的偏置向量，通过优化算法和W1、W2同步进行训练，其中W1、W2表示映射参数矩阵。