1.一种基于强化学习的个性化短视频推荐方法，其特征在于,包括如下步骤：S1、收集单个用户的历史记录，进行数据处理，得到真实数据分布和专家轨迹；

S2、将真实数据分布输入GAN‑SD算法，对用户的特征进行建模，得到用户特征分布；

S3.将用户特征分布和专家轨迹输入到MAIL算法，对用户与推荐引擎的交互行为建模，得到用户的决策函数；

S4、建模推荐引擎和用户的马尔科夫决策过程，用TRPO+ANC算法训练推荐引擎的马尔科夫决策过程，根据得到的累积回报值确定不同动作下的短视频推荐策略，从短视频推荐策略中选择最优的短视频推荐策略；

S5、得到用户定制化的短视频推荐策略，将该策略加载为实际使用的推荐引擎。

2.根据权利要求1所述的基于强化学习的个性化短视频推荐方法，其特征在于，所述真实数据分布具体表示为：

其中Xi表示第i个用户感兴趣的视频。

3.根据权利要求1所述的基于强化学习的个性化短视频推荐方法，其特征在于，所述专家轨迹具体表示为：

其中的si表示推荐引擎推荐的第i个视频， 表示用户对si所做出的动作，包括直接切换下一个视频、点赞和退出软件。

4.根据权利要求1所述的基于强化学习的个性化短视频推荐方法，其特征在于，所述步骤S2具体包括：

S21、将判别模型D和生成模型G分别用参数θD，θG表示，使用随机初始化；

S22、从正态分布中生成一个批次的噪声z，从真实数据分布中取出一个批次的样本数据x，通过梯度下降更新参数θG；

S23、重复步骤S22多次；

S24、从正态分布中生成一个批次的噪声z，从真实数据分布中取出一个批次的样本数据x，通过梯度下降更新参数θD；

S25、重复步骤S22‑S24，直至判别模型D和生成模型G收敛；

S26、得到收敛的生成模型G，作为用户特征分布。

5.根据权利要求1所述的基于强化学习的个性化短视频推荐方法，其特征在于，所述步骤S3中MAIL算法将推荐引擎的策略函数πσ与用户的策略函数 联合为

6.根据权利要求5所述的基于强化学习的个性化短视频推荐方法，其特征在于，所述步骤S3中，根据用户特征分布，推荐引擎与用户进行互动，生成一系列轨迹，从生成的轨迹中采样一条轨迹，通过最小化表达式，更新用户的奖励函数，在用户的马尔科夫决策过程中使用RL优化 重复多次得到训练完成的用户策略函数。

7.根据权利要求1所述的基于强化学习的个性化短视频推荐方法，其特征在于，在所述步骤S4中，推荐引擎的马尔科夫决策过程表示为 其中状态 为推荐引擎根据用户喜好进行推荐的视频，动作 为对小视频进行排序，依据为用户感兴趣程度的降序，转移函数 为在状态s下给定动作a，映射到下一个状态，具体定义为：c

其中a 为用户采取的动作， 为用户特征分布， 为奖励函数，当用户进行了点赞，奖励为1，否则为0，π为策略函数，表示在状态s下，执行动作a的概率。

8.根据权利要求1所述的基于强化学习的个性化短视频推荐方法，其特征在于，在所述步骤S4中，用户的马尔科夫决策过程表示为 其中状态 定义为

s，a>，动作 为用户的动作，转移函数 为在状态s下给定动作a ，映射到下一个状态，具体定义为：

c c

其中a 为用户采取的动作， 为用户特征分布， 为奖励函数，π为策略函数，表示在c c

状态s下，执行动作a的概率。

9.一种基于强化学习的个性化短视频推荐系统，其特征在于，包括中央处理器和存储器，所述存储器中存储有可以被所述中央处理器运行的程序，所述中央处理器通过运行所述程序可以实现如权利要求1‑8中任一项所述的基于强化学习的个性化短视频推荐方法。

10.一种计算机存储介质，其特征在于，存储有可以被中央处理器运行的程序，所述程序在被所述中央处理器运行的过程中可以实现如权利要求1‑8中任一项所述的基于强化学习的个性化短视频推荐方法。