1.一种基于视频内容分析和用户标签的智能推荐方法，其特征在于，该基于视频内容分析和用户标签的智能推荐方法包括以下步骤：S1、获取用户历史观看视频数据并进行视频内容分析，确定视频类型；

S2、获取用户历史行为数据并进行行为内容分析，生成用户标签；

S3、基于通信网络获取用户的位置信息，并对用户的使用状态进行识别；

S4、基于视频类型、用户标签和用户的使用状态，并利用混合推荐算法为用户生成推荐列表；

S5、收集用户对推荐列表的反馈，并根据反馈优化混合推荐算法；

其中，所述获取用户历史行为数据并进行行为内容分析，生成用户标签包括以下步骤：S21、收集用户的历史行为数据，包括用户的浏览历史、购买记录、搜索关键词及点击行为；

S22、对收集的历史行为数据进行预处理，得到标准化数据，所述预处理包括去除重复数据、缺失值处理及数据标准化处理；

S23、对得到的标准化数据进行特征提取，并通过K‑means算法对提取的特征进行分类，对分类后的特征生成用户标签；

所述基于通信网络获取用户的位置信息，并对用户的使用状态进行识别包括以下步骤：S31、基于通信网络获取用户的手机信令数据，并分析出用户的出行轨迹数据；

S32、对用户的每段轨迹进行行为特征提取，并将提取的行为特征构成特征向量，所述行为特征包括出行距离、出现时间及平均速度；

S33、通过模糊C均值聚类算法构建用户状态识别模型；

S34、将构成的特征向量作为输入，并输入至用户状态识别模型对用户的使用状态进行识别；

所述基于通信网络获取用户的手机信令数据，并分析出用户的出行轨迹数据包括以下步骤：S311、从通信网络中获取用户的手机信令数据，并对手机信令数据进行层次化清洗，去除冗余和错误数据；

S312、将清洗后手机信令数据与预设的基站数据进行匹配，得到用户所在基站的坐标信息，并将其作为用户的位置信息；

S313、利用点到点几何关系分析的道路匹配法将用户位置映射到实际道路网络上，得到用户的初步轨迹；

S314、通过时空DBSCAN聚类算法对用户的初步轨迹进行处理，识别出用户的停留点和移动点；

S315、按时间顺序连接停留点和移动点，并根据OD原则提取出用户的完整出行轨迹；

所述利用点到点几何关系分析的道路匹配法将用户位置映射到实际道路网络上，得到用户的初步轨迹包括以下步骤；

S3131、获取用户轨迹中的基站定位坐标；

S3132、定义匹配误差范围，并在匹配误差范围内搜索基站定位坐标预设范围内的道路网络节点，并将搜索出的道路网络节点作为候选道路节点；

S3133、从候选道路节点中选择与基站定位坐标距离最近的节点，作为匹配节点；

S3134、将匹配节点作为基站定位坐标在道路网格上的投影点，并将匹配节点的坐标替代基站定位坐标，得到用户的初步轨迹点；

S3135、对用户的所有轨迹重复执行S3131‑S3134，将所有基站定位坐标映射到道路网络上，得到用户的初步轨迹。

2.根据权利要求1所述的一种基于视频内容分析和用户标签的智能推荐方法，其特征在于，所述获取用户历史观看视频数据并进行视频内容分析，确定视频类型包括以下步骤：S11、收集用户的历史观看视频数据，所述视频数据包括观看视频的总时长和视频总时长；

S12、将用户观看视频的总时长少于视频总时长一半的观看视频剔除，得到用户的关注视频；

S13、对于每个用户的关注视频，提取视频元数据和视频内容，所述视频元数据包括标题、描述及上传时间，所述视频内容包括视频的视觉信息和音频信息；

S14、根据提取的视频元数据和视频内容，通过预设的分类模型确定视频的类型。

3.根据权利要求1所述的一种基于视频内容分析和用户标签的智能推荐方法，其特征在于，所述通过模糊C均值聚类算法构建用户状态识别模型包括以下步骤：S331、基于用户出行轨迹，并根据不同出行状态的先验知识，建立出行距离、时间及速度的初始隶属度函数；

S332、对每段用户的出行轨迹，计算其在各出行状态下的隶属度，并构建隶属度矩阵；

S333、基于初始隶属度矩阵计算初始类中心特征矩阵；

所述基于初始隶属度矩阵计算初始类中心特征矩阵的计算公式为：式中，vj表示第j类中心的特征矩阵；

uij表示第i段出行轨迹属于第j类中心的隶属度；

xi表示第i段出行轨迹的特征向量；

N表示出行轨迹的数量；

S334、迭代更新隶属度矩阵和类中心特征矩阵，直至达到预设的收敛条件终止迭代；

S335、根据终止时隶属度矩阵，并利用最大隶属度原则判定每段轨迹对应的用户出行状态；

S336、重复步骤S331‑S336，构建用户状态识别模型。

4.根据权利要求1所述的一种基于视频内容分析和用户标签的智能推荐方法，其特征在于，所述基于视频类型、用户标签和用户的使用状态，并利用混合推荐算法为用户生成推荐列表包括以下步骤：S41、通过朴素贝叶斯分类算法对视频类型和用户标签进行分析，并建立用户兴趣模型；

S42、根据视频类型，提取出视频的内容特征，并建立视频内容模型；

S43、根据建立的用户兴趣模型和视频内容模型，通过混合推荐算法计算用户对未观看视频的兴趣程度，并根据兴趣程度高低生成候选视频推荐列表；

S44、根据用户的使用状态对候选视频推荐列表进行权重调整，并为用户生成推荐列表。

5.根据权利要求4所述的一种基于视频内容分析和用户标签的智能推荐方法，其特征在于，所述根据用户的使用状态对候选视频推荐列表进行权重调整，并为用户生成推荐列表包括以下步骤：S441、根据用户的使用状态，为每个使用状态设置状态权重值；

S442、根据用户的当前状态和当前状态对应的权重调整候选视频推荐列表，得到用户对未观看视频新的兴趣程度；

S443、根据新的兴趣程度高低为用户生成推荐列表。

6.一种基于视频内容分析和用户标签的智能推荐系统，用于实现权利要求1‑5中任一项所述的一种基于视频内容分析和用户标签的智能推荐方法，其特征在于，该基于视频内容分析和用户标签的智能推荐系统包括：视频数据获取模块、行为数据获取模块、使用状态识别模块、推荐列表生产模块及反馈优化模块；

所述视频数据获取模块，用于获取用户历史观看视频数据并进行视频内容分析，确定视频类型；

所述行为数据获取模块，用于获取用户历史行为数据并进行行为内容分析，生成用户标签；

所述使用状态识别模块，用于基于通信网络获取用户的位置信息，并对用户的使用状态进行识别；

所述推荐列表生产模块，用于基于视频类型、用户标签和用户的使用状态，并利用混合推荐算法为用户生成推荐列表；

所述反馈优化模块，用于收集用户对推荐列表的反馈，并根据反馈优化混合推荐算法。