1.一种基于大数据的短视频推荐方法，其特征在于，包括：S1：获取用户对当前观看视频的操作信息，并与兴趣操作列表进行匹配；

S2：若是与兴趣操作列表中的任意一项或多项操作匹配成功，则将该视频记为视频G，进入S3；否则，返回S1；

S3：获取视频G中的文本信息，其中文本信息包括视频文案和评论文本，并根据自定义词典对视频文案和评论文本进行分词，将得到的词语与停用词表进行匹配，将未匹配成功的词语记为特征词da，由特征词da组成特征词集合D，基于特征词集合D得到词典向量；

S4：基于词典向量，通过TF‑IDF算法计算每个特征词da的TF‑IDF值，将TF‑IDF值大于第一阈值β的特征词da记录于特征词暂存集合E内，将特征词暂存集合E内部的特征词da与标签数据库进行匹配，得到视频G的标签集合F1{H1、H2、⋯Hc⋯、He}，其中He下标e表示视频G共有e个标签，Hc表示标签集合F1内任意标签；

S5：根据特征词暂存集合E内部的特征词da与标签数据库的匹配结果，将与标签数据库匹配成功的特征词da记为关键词，并对其进行分类，其中一个标签对应多个关键词，得到标签Hc对应的关键词集合 ，c=1、2、⋯、e，计算标签Hc对应的相关度值Jc，Jc为每个关键词集合内关键词TF‑IDF值的平均值，根据相关度值Jc得到相关度值集合K1{Le、Le‑1、⋯Lc⋯、L1}，Lc为相关度值集合K1内任意相关度值，相关度值集合K1由相关度值Jc从大到小依次排序得到，由相关度值集合K1得到对应排列顺序的标签集合，并更新记为标签集合F1{He、He‑1、⋯Hc⋯、H1}；

S6：从未观看视频库中选择标签集合Fp{He、He‑1、⋯Hc⋯、H1}内每个标签Hc的代表视频集Mh，h=1、2、⋯、e，p的初始值为1，p用于作为编号选择标签集合，根据标签集合Fp{He、He‑1、⋯Hc⋯、H1}内部的标签顺序从左往右依次从对应代表视频集Mh中随机选取一个视频，并将选择的视频依次记录于推送视频集合Np{ξe、ξe‑1、⋯ξc⋯、ξ1}，从未观看视频库中删除推送视频集合Np内部视频；

S7：根据推送视频集合Np{ξe、ξe‑1、⋯ξc⋯、ξ1}内部的视频顺序从左往右依次将推送视频集合Np内的视频推送给用户；

S8：判断推送视频集合Np内部所有视频是否推送完成，若是推送完成，将推送视频ξe更新记为视频G，返回S3；否则，进入S9；

S9：继续推送视频集合Np内部未推送的视频，返回S8。

2.根据权利要求1所述的一种基于大数据的短视频推荐方法，其特征在于，基于特征词集合D得到词典向量的步骤具体包括：

词典向量的存在形式为： ；B为特征词集合D对

应的词频向量，ia为特征词da在文本信息中出现的次数，下标A表示特征词集合D内总共有A个特征词。

3.根据权利要求2所述的一种基于大数据的短视频推荐方法，其特征在于，对于S4中将TF‑IDF值大于第一阈值β的特征词da记录于特征词暂存集合E内的步骤，具体包括：S4.1：获取视频库中所有视频的个数并记为C，令j= ，j为特征词da出现次数总和；

S4.2：令k=1，k用于作为编号选取特征词；

S4.3：选择特征词dk及其在文本信息中的出现次数ik，获取视频库中包含特征词dk的所有视频的数量并记为 ；

S4.4：令dk，TF‑IDF= ；

S4.5：判断“dk，TF‑IDF>β”是否成立，若是“dk，TF‑IDF>β”成立，则将特征词dk记录于特征词暂存集合E，进入S4.6；若是“dk，TF‑IDF>β”不成立，进入S4.6；

S4.6：判断“k≥A”是否成立，若是“k≥A”成立，则开始S4中的标签匹配过程；若是“k≥A”不成立，则将k+1赋值给k，返回S4.3。

4.根据权利要求3所述的一种基于大数据的短视频推荐方法，其特征在于，对于S5，计算标签Hc对应的相关度值Jc，根据相关度值Jc得到相关度值集合K1，具体步骤包括：S5.1：令m=1，m用于作为编号选取关键词集合；

S5.2：获取关键词集合 内部的关键词个数并记为 ，将其内部的关键词的TF‑IDF值记为Pm，n，TF‑IDF，n=1、2、⋯、 、 ，n为关键词集合 内部关键词的TF‑IDF值的标号，Qm= ，Qm即为标签Hm对应的相关度值，将Qm记录于集合 内；

S5.3：判断“m≥e”是否成立，若是“m≥e”成立，则进入S5.4；若是“m≥e”不成立，则将m+

1赋值给m，返回S5.2；

S5.4：根据集合 内相关度值Qm从大到小依次排序，得到相关度值集合K1{Le、Le‑1、⋯Lc⋯、L1}。

5.根据权利要求4所述的一种基于大数据的短视频推荐方法，其特征在于，对于S8和S9，还包括进一步对视频推荐进行优化，具体步骤如下：

S8.1：将相关度值集合K1记为相关度值集合W1；

S8.2：在推送视频集合Np内视频的推送过程当中，实时获取用户对当前观看视频的操作信息，并与兴趣操作列表进行匹配，若是与兴趣操作列表中的任意一项或多项操作匹配成功，则将该视频放入感兴趣视频列表内；

S8.3：判断推送视频集合Np内部所有视频是否推送完成，若是推送完成，进入S8.4；否则，继续推送视频集合Np内部未推送的视频，返回S8.2；

S8.4：判断感兴趣视频列表内部的视频数量是否为零，若是感兴趣视频列表内部的视频数量为零，执行S6‑S7步骤，返回S8.2；若是感兴趣视频列表内部的视频数量不为零，进入S8.5；

S8.5：将感兴趣视频列表内部的视频均更新记为视频G，执行S3‑S5步骤，将得到的相关度值集合K1记为Xp，将得到的标签集合F1更新记为标签集合Tp{Ur、Ur‑1、⋯、U1}，字母r表示标签集合Tp内标签的数量总共有r个，进入S8.6；

S8.6：判断“p=1”是否成立，若是“p=1”成立，则由相关度值集合W1得到其对应的标签集合F1；若是“p=1”不成立，则进入S8.7；

S8.7：选择标签集合Fp和Tp，令标签集合sp=Fp∩Tp，tp=sp∩Fp，up=sp∩Tp，分别从标签集合tp和up中提取其内部标签对应的相关度值集合Wp，1{Vv、Vv‑1、⋯Vw⋯、V1}与Xp，1{Yv、Yv‑1、⋯Yw⋯、Y1}，其中Vw和Yw表示的是同一个标签对应的不同的相关度值，其中v表示标签集合Fp和Tp共有v个相同标签；

S8.8：令Z=v，Z作为编号选择相关度值Vw和Yw；

S8.9：选择相关度值VZ和YZ，令 = ，将 记录于相关度值集合Wp，3中， 即为相关度值VZ和YZ的平均值；

S8.10：判断“Z≤1”是否成立，若是“Z≤1”不成立，则将Z‑1赋值给Z，返回S8.9；若是“Z≤1”成立，令标签集合xp=CFptp，yp=CTpup，标签集合xp为标签集合Fp中除去标签集合tp内部元素的其它元素，标签集合yp为标签集合Tp中除去标签集合up内部元素的其它元素，则分别从标签集合xp和yp中提取其内部标签对应的相关度值集合Wp，2与Xp，2，令相关度值集合Wp，4=Wp，2∪Xp，2∪Wp，3，将相关度值集合Wp，4内每个相关度值从大到小依次排序，将得到的集合记为相关度值集合Wp+1{αz、αz‑1、⋯αδ⋯、α1}，字母z表示相关度值集合Wp+1总共有z个相关度值，αδ表示相关度值集合Wp+1内任意相关度值，进入S8.11；

S8.11：判断“z≥θ”是否成立，若是“z≥θ”成立，则根据相关度值αδ从大到小选取相关度值集合Wp+1前θ个元素，并将其更新记为相关度值集合Wp+1{αz、αz‑1、⋯αμ⋯、αz‑θ}，αμ表示相关度值集合Wp+1内任意相关度值，由相关度值集合Wp+1得到其对应的标签集合并记为Fp+1{Hz、Hz‑1、⋯Hμ⋯、Hz‑θ}，进入S8.13；若是“z≥θ”不成立，进入S8.12；

S8.12：由相关度值集合Wp+1得到其对应标签集合，并将其记为Fp+1{Hz、Hz‑1、⋯Hδ⋯、H1}，进入S8.13；

S8.13：将p+1赋值给p，执行S6‑S7步骤，将感兴趣视频列表内部视频记录删除，返回S8.2。

6.根据权利要求5所述的一种基于大数据的短视频推荐方法，其特征在于，包括：停用词表为哈工大停用词表、复旦停用词表、 停用词表中的任意一个。

7.一种基于大数据的短视频推荐系统，其特征在于，所述系统应用上述权利要求1‑6任一项所述的一种基于大数据的短视频推荐方法，包括：

操作信息获取模块，操作信息获取模块用于获取用户对当前观看视频的操作信息；

操作信息匹配模块，操作信息匹配模块用于将用户对当前观看视频的操作信息与兴趣操作列表进行匹配；

信息数据获取模块，信息数据获取模块用于获取信息数据；

信息数据处理模块，信息数据处理模块用于处理信息数据；

视频推送模块，视频推送模块用于推送视频。

8.根据权利要求7所述的一种基于大数据的短视频推荐系统，其特征在于，还包括：感兴趣视频处理模块，感兴趣视频处理模块用于处理感兴趣视频。