1.一种融合电影属性和交互信息的电影推荐系统，其特征在于，包括数据采集模块、前向传输模块、反向传输模块、判断模块和推荐模块；前向传输模块包括电影表示层、用户表示层和预测输出层；其中，

数据采集模块，用于获取每部电影的属性、用户历史观影信息以及用户和电影的交互信息；

电影表示层，用于根据电影的属性，将待推荐电影和用户历史观看的电影映射成电影的特征向量；

用户表示层，用于根据用户历史观影信息来表示用户的特征向量；

预测输出层，用于将待推荐电影的特征向量和用户的特征向量输入神经网络，预测用户对待推荐电影的预测值；

反向传播模块，用于优化神经网络的各个参数，通过最小化损失函数使得神经网络的预测效果达到最优；

判断模块，用于判断预测输出层输出的预测值是否大于预先设定好的预测阈值；

推荐模块，根据判断模块的结果决定是否对待推荐电影进行推荐，当预测值大于预先设定好的预测阈值，将该电影推荐给用户，反之，则不推荐给用户。

2.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，电影的属性包括导演、主演、上映时间和类型。

3.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，用户历史观影信息包括电影名、用户对电影的评分和观影时长。

4.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，电影表示层包括：

one‑hot向量单元，采用one‑hot编码技术对电影所有属性的内容进行编码处理，属性N×1 N×1

的每一个内容对应于一个独立的one‑hot向量x∈R ，其中R 表示属性的内容的集合，N表示所有属性的内容的总个数；

映射单元，用于将所述的one‑hot向量输入，从而输出属性的特征嵌入向量，属性的特T

征嵌入向量表示为c：c＝Wx，其中，c为K×1的向量，K表示属性的特征嵌入向量的维数，W为N×K的映射矩阵，上标T表示转置；

电影表示单元，用于利用属性的特征嵌入向量表示出电影的特征向量v。

5.根据权利要求4所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，one‑hot向量x的维度为N，第i个属性的内容对应one‑hot向量中的第i个维度的值为1，one‑hot向量的其他维度的值为0。

6.根据权利要求4所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，电影表示单元，每个电影拥有多个属性信息，在将电影的每个属性信息的one‑hot向量映射后，通过将电影的每个属性的向量相加表示出电影的特征向量v。

7.根据权利要求6所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，用户表示层根据用户历史观看电影对应的特征表示、用户对电影的评分和用户观影时长来表示用户的特征向量，用户的特征向量为：其中，u表示用户的特征向量，Ru表示用户历史观看电影的集合，j表示该用户历史观看的电影的编号，vj表示编号为j的电影特征向量，αj表示编号为j的电影对于用户表示的权重，αj表示为：

其中，ru表示用户对电影的评分，表示用户对电影的平均评分，rmax表示用户对电影的最大评分，tu表示用户观看电影的时长，ttotal表示用电影总时长，η为权重，α∈(0，1)，η∈(0，1)。

8.根据权利要求7所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，预测输出层根据输入的待推荐电影的特征向量v和用户的特征向量u输出该用户对待推荐电影的预测值

其中，函数f()表示神经网络拟合的函数。

9.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，反向传播模块用于优化神经网络的各个参数，通过最小化损失函数使得神经网络的预测效果达到最优，损失函数为：

其中，M为训练集中包含样本的总数，L为损失值，yuv表示用户对电影的真实值， 表示2

用户对待推荐电影的预测值，λ||θ|| 是正则项，θ表示神经网络的参数，λ表示正则项的系数，σ()为sigmoid函数。