1.一种融合知识图谱的注意力机制的电影推荐方法，其特征在于，包括以下步骤：S1、获取电影网站上面的用户‑电影交互信息和电影属性信息；

S2、通过DAE降噪自动编码器对获取的用户‑电影交互信息和电影属性信息进行预处理，根据预处理之后的用户‑电影交互信息和电影属性信息构建知识图谱，知识图谱的形式为三元组形式，由头实体，关系，尾实体构成，构建知识图谱时计算实体之间的相似度，即知识图谱相似度；

S3、使用知识图谱特征学习，对上述构建的知识图谱进行建模，将知识图谱中的每个实体和关系进行学习，得到实体向量和关系向量；

S4、构建含有注意力机制的混合推荐系统，将知识图谱得到的实体向量和关系向量输入含有记忆组件的注意力机制混合推荐系统，通过注意力机制计算出用户对于候选电影的注意力分值，将用户对候选电影的注意力分值降序排列；通过MLP进行评分预测，最终按照评分顺序得到电影TOP‑N推荐结果；

S5、将电影TOP‑N推荐结果与原始测试集进行对比，通过准确率、召回率、覆盖率等指标对构建的推荐系统进行评估。

2.根据权利要求1所述的一种融合知识图谱的注意力机制的电影推荐方法，其特征在于，步骤S2中，知识图谱相似度的计算式如下：其中，simsg(Ii,Ij)表示电影i与电影j之间的相似度，d(Ii,Ij)表示电影i与电影j之间的欧氏距离，Eki表示实体电影i在向量空间里面的坐标点，Ekj表示实体电影j在向量空间里面的坐标点。

3.根据权利要求1所述的一种融合知识图谱的注意力机制的电影推荐方法，其特征在于，所述含有注意力机制的混合推荐系统包括：知识图谱构建模块、基于内容的推荐模块、基于项目的协同过滤推荐模块、融合模块、含有记忆组件的注意力机制模块、softmax模块，所述知识图谱构建模块用于构建知识图谱；所述基于内容的推荐模块用于实现基于内容的电影推荐；所述基于项目的协同过滤推荐模块用于实现基于项目的协同过滤电影推荐；所述融合模块用于将知识图谱模块、基于内容的推荐模块和基于项目的协同过滤推荐模块进行结合，实现混合推荐；所述含有记忆组件的注意力机制模块使用记忆组件捕捉用户的动态变化，得到侯选电影的注意力分值以及用户对侯选电影的注意力分值，将注意力分值降序排序，进行最终的TOP‑N推荐。

4.根据权利要求3所述的一种融合知识图谱的注意力机制的电影推荐方法，其特征在于，基于内容的推荐模块中采用基于内容的推荐算法进行电影推荐，包括：首先构造电影画像，再通过相似度计算式来寻找最相似的电影，相似度计算公式如下：其中，sim(i，j)表示电影i与电影j的相似度，Ru，i表示用户u对电影i的评分，Ru，j表示用户u对电影j的评分， 表示用户u对所有电影的平均评分。

将相似度高的电影进行评分预测，评分预测的公式如下：其中，p(u，i)表示最终预测出的用户u对于电影i的评分值，S(u,K)表示与用户u的兴趣最接近的K个用户，N(i)表示对物品i有过行为的用户集合，wuv表示用户u和用户v的相似程度，rvi表示用户v对物品i的感兴趣程度；

最后将评分高的TOP‑N电影进行推荐。

5.根据权利要求3所述的一种融合知识图谱的注意力机制的电影推荐方法，其特征在于，基于项目的协同过滤推荐模块中采用基于项目的协同过滤的推荐算法进行电影推荐，包括：首先根据修正余弦相似度计算式计算电影之间的相似度，修正余弦相似度计算式如下：

其中，simCF(i,j)表示电影i和电影j的相似度，N(i)表示喜欢电影i的用户数，N(j)表示喜欢电影j的用户数，N(i)∩N(j)表示同时喜欢电影i、j的用户数；

计算了电影之间的相似度之后，使用如下公式计算用户u对电影j的兴趣度：其中，puj表示用户u对电影j的兴趣度，N(u)表示用户u喜欢的电影集合，S(j,k)表示和电影j最相近的K个电影的集合，simCF(j,i)是电影j和电影i的相似度，rui是用户u对电影i的兴趣度；

根据上述过程计算出用户u对不同电影的兴趣度，将用户u对不同电影的兴趣度进行排序，向用户u推荐前TOP‑N的电影。

6.根据权利要求3所述的一种融合知识图谱的注意力机制的电影推荐方法，其特征在于，含有记忆组件的注意力机制模块为一个含有记忆组件的注意力机制卷积神经网络，包括卷积层、注意力层、池化层和全连接层，卷积层：主要是将输入的电影项目表示矩阵压缩成一个向量；

注意力层：含有记忆组件的注意力机制，用于捕捉用户的动态兴趣变化；

池化层：将前面注意力层的结果进行池化操作，去除一系列冗余信息，保留电影特征信息；

全连接层：将经过池化层的信息通过最后的全连接层进行评分预测结果输出。

7.根据权利要求1所述的一种融合知识图谱的注意力机制的电影推荐方法，其特征在于，步骤S4中具体包括：将基于内容的推荐算法的相似度、基于项目的协同过滤的推荐算法的相似度和知识图谱相似度进行融合，得到融合后的相似度，相似度融合公式如下：sim(Ii，Ij)＝αsimCB+βsimCF+γsimsg其中,α、β、γ分别代表基于内容的推荐算法相似度融合因子，基于项目的协同过滤推荐算法的融合因子、基于知识图谱的融合因子；且这三个融合因子应该满足：α+β+γ＝1；

将融合后的相似度sim(Ii，Ij)通过含有记忆组件的注意力机制，根据不同电影的重要性高低得到电影词向量的注意力分数a(Ii，Ij)，计算表达式如下：其中， 和wa都是训练参数，Relu公式为：Relu(x)＝max(0，x)接下来再将得到的注意力分数值经过softmax函数进行归一化处理，从而得到每个电影词向量对应的注意力权重aij，计算表达式如下：s*d

其中，aij∈A 为归一化处理后的电影注意力权重值，n表示电影总数。

将注意力分值aij按照从高到低排序，得到候选电影的重要性排序；

计算目标用户对于已经经过注意力机制的候选电影的注意力分数：score(u，i)＝Relu(wi(u⊙i)+b1)式中，score(u,i)是目标用户u对于经过注意力机制的目标电影i的注意力分数，wi、b1是需要学习的权重矩阵和偏置项，通过Relu激活函数得到当前用户对于候选电影的注意力分值；

接下来再将用户对于候选电影的注意力分值通过softmax函数进行归一化处理，公式如下：

其中，aui是指用户u对于电影i归一化后的注意力分值，R(u)表示用户u的历史交互电影项目集；

使用了记忆组件来捕捉用户的动态变化，因此最终的用户对于候选电影的结合记忆组件的注意力分值公式如下：

其中， 表示结合记忆组件后，用户u对候选电影i归一化后的注意力分值，R(u)表示的是用户u的历史交互电影项目集， 是记忆成分，表示给定用户u的内存组件，且随着时间的推移，电影项目集R(u)将会随着时间不断更新；

最后将用户u对于电影的归一化后的注意力分值按照从高到低进行排序，得到最后的TOP‑N电影推荐。

8.根据权利要求1所述的一种融合知识图谱的注意力机制的电影推荐方法，其特征在于，步骤S5中，得出的电影推荐结果与原始测试集进行比对，评判出该推荐系统的性能，评判指标包括：准确率、召回率、覆盖率，公式如下：已知对用户u推荐N个物品为R(u)，用户u在测试集上喜欢的物品集合T(u)，则准确率公式如下：

召回率公式如下：

覆盖率公式如下：

其中，U表示总的用户集合，I表示总的电影集合。