1.一种基于人工智能的多媒体内容个性化推荐方法，其特征在于，该方法包括以下步骤：响应于针对目标用户的内容推荐指令，获取历史用户的多媒体数据和用户行为数据，构建用户画像；

将所述用户画像输入深度学习模型，对所述多媒体数据和用户行为数据进行特征表示与学习，得到内容表示向量和用户表示向量；

计算所述内容表示向量和用户表示向量之间的相似度，得到个性化推荐结果；

根据所述个性化推荐结果，得到目标用户对应的目标推荐内容，并将所述目标推荐内容推送至目标用户；

所述响应于针对目标用户的内容推荐指令，获取历史用户的多媒体数据和用户行为数据，构建用户画像，包括：获取历史用户的登录、浏览记录和搜索行为信息，根据所述历史用户的登录、浏览记录和搜索行为信息生成多媒体数据和用户行为数据；

对所述多媒体数据和用户行为数据进行数据清洗处理，其中所述数据清洗处理包括去除噪声和异常数据；

对清洗后的多媒体数据和用户行为数据进行关键特征处理，以得到每个历史用户对应的用户属性，并将所述用户属性生成个性化推荐列表；

确定与目标用户兴趣相似的用户群体，获取用户群体中各个历史用户对应的个性化推荐列表，并根据所述个性化推荐列表构建用户画像；

所述确定与目标用户兴趣相似的用户群体，包括：

计算目标用户和历史用户之间的相似度，得到第一相似度结果，基于所述第一相似度结果，筛选出与目标用户的预设数量个的第一用户；

分别计算多个第一用户与目标用户之间的相似度，得到第二相似度结果，基于所述第二相似度结果将相似度超过预设阈值的用户加入到用户群体中；

所述根据所述个性化推荐列表构建用户画像，包括：

获取所述根据所述个性化推荐列表构建用户画像，其中所述个性化推荐列表至少包括用户兴趣数据和用户偏好数据；

搭建用户画像框架，对所述用户兴趣数据和所述用户偏好数据进行分层分析和分类分析，得到分析结果；

基于分析结果将所述用户兴趣数据和用户偏好数据进行分层和分类处理，并匹配至所述用户画像框架中；

将所述历史用户与所述用户画像框架中的所述用户兴趣数据和用户偏好数据一一对应，以构建用户画像；

所述将所述用户画像输入深度学习模型，对所述多媒体数据和用户行为数据进行特征表示与学习，得到所述内容表示向量和用户表示向量，包括：将所述用户画像输入深度学习模型，利用不同尺寸卷积核提取所述用户画像的主要特征数据，其中所述主要特征数据包括多媒体数据对应的第一特征数据和用户行为数据对应的第二特征数据，其中所述深度学习模型为卷积神经网络模型；

利用所述深度学习模型中的编码器对所述第一特征数据和所述第二特征数据进行编码，分别得到第一特征向量和第二特征向量；

将所述第一特征向量和第二特征向量映射到高维空间，得到多媒体数据和用户行为数据在高维空间内的内容表示向量和用户表示向量；

所述计算所述内容表示向量和用户表示向量之间的相似度，得到个性化推荐结果，包括：计算所述内容表示向量和用户表示向量之间的相似度，得到第三相似度结果；

基于所述第三相似度结果在所述内容表示向量中筛选出预设数量与目标用户匹配的相似内容向量；

基于所述相似内容向量按从高到低排序，生成个性化推荐结果；

所述计算所述内容表示向量和用户表示向量之间的相似度，得到第三相似度结果，包括：采用多层卷积神经网络和长短时记忆网络构建内容推荐模型；

采用所述内容推荐模型中的多层卷积神经网络提取与目标用户匹配的所述用户表示向量；

将与目标用户匹配的所述用户表示向量导入长短时记忆网络，获得与目标用户匹配的内容表示向量；

构建损失函数，将内容表示向量和用户表示向量之间进行相似度计算，得到第三相似度结果；

所述采用多层卷积神经网络和长短时记忆网络构建内容推荐模型，包括：基于随机梯度下降的自适应矩估计算法对多层卷积神经网络模型进行训练，经过偏置校正后，使得多层卷积神经网络模型参数最优；

固定训练好的多层卷积神经网络模型的参数，训练长短时记忆网络模型，通过随机梯度下降法更新权重，并使用交叉熵损失函数计算损失率，基于损失率进行拟合训练，使得损失函数降到最低，得到内容推荐模型；

所述将所述目标推荐内容推送至目标用户，包括：

获取用户设置的订阅信息，其中订阅信息包括用户根据自己的喜好选择的推荐形式和推送频率；

根据所述订阅信息确定所述目标推荐内容的推荐形式，其中推荐形式至少包括页面推荐和推送通知推荐；

所述根据所述订阅信息确定所述目标推荐内容的推荐形式，包括：当所述推荐形式为页面推荐形式时，根据所述推送频率以网格布局或列表方式将所述目标推荐内容推送至目标用户；

当所述推荐形式为推送通知形式时，根据所述推送频率以弹窗或推送消息将所述目标推荐内容推送至目标用户。