1.一种故事推荐方法，其特征在于，包括：
接收故事；
获取所述故事的属性信息，并根据所述故事属性信息获取基于内容相似的初步推荐结果；
获取用户的用户描述信息，并根据所述用户描述信息获取基于用户相似的初步推荐结果；
获取用户群体行为描述信息，并根据所述用户群体行为描述信息获取基于混合策略协同推荐结果；
获取用户个体行为描述信息，并根据所述用户个体行为描述信息动态调整所述推荐结果并排序优化，得到排序后的结果；
从所述排序后的结果中选择预设个数的结果，确定为推荐故事。
2.根据权利要求1所述的方法，其特征在于，接收故事，获取所述故事的属性信息，包括：
所述获取的故事为一切能转化为影视、游戏、戏剧作品的文学创作作品，包括并不只限制于影视剧本、小说、戏剧大纲等；
获取所述故事得分类属性信息、标签属性信息；
获取故事对应的相关用户属性信息，根据用户对所述故事的操作信息计算出用户交互分值，所述用户的操作信息包括并不只限于浏览、点击、阅读时长等，并将所述用户交互分值作为相关用户属性信息特征值；
获取所述故事的介绍信息并转化为词向量，将词向量作为介绍属性信息特征值；
获取所述故事的梗概信息并进行关键词提取，将所述提取出的关键词转化成为词向量，将所述词向量作为梗概属性信息特征值。
3.根据权利要求1所述的方法，其特征在于，根据所述故事属性信息获取基于内容相似的初步推荐结果，包括：
根据所述故事分类属性信息、标签属性信息、介绍属性信息、梗概属性信息计算故事之间的相似性分值，根据所述相似性分值排序获得相似故事列表，利用所述用户交互分值对所述相似故事列表中的相似性分值进行调权，所述调权后的分值作为故事和用户之间的推荐分值，根据所述推荐分值再次进行排序获得基于内容相似的初步推荐结果。
4.根据权利要求1所述的方法，其特征在于，所述获取用户的用户描述信息，根据所述用户描述信息获取基于用户相似的初步推荐结果，包括：
获取所述用户通用属性信息，包括角色信息、认证信息、兴趣信息、活跃信息等计算出用户之间的相似性分值；
获取所述用户对故事的操作信息计算出用户交互分值；
根据所述用户之间相似性分值排序获得相似用户列表，利用所述用户交互分值对所述相似用户列表的相似性分值进行调权，利用所述调权后的分值作为用户和故事之间的推荐分值，根据所述推荐分值再次进行排序获得基于用户相似的初步推荐结果。
5.根据权利要求1所述的方法，其特征在于，获取用户群体行为描述信息，根据所述群体用户行为描述信息获取基于协同过滤推荐结果包括：
获取用户行为日志，并根据用户行为日志进行建模；
根据用户行为日志建立用户-物品倒查表和物品-用户倒查表；
根据用户-物品倒查表构建基于物品的协同过滤模型，在用户-物品倒查表中检索出物品之间协同出现的次数，考虑到不同用户重要性的影响，根据用户通用属性信息，包括并不只限于角色信息、认证信息、兴趣信息、活跃信息刻画出用户重要性分值，利用用户重要性分值进行调权；
根据物品-用户倒查表构建基于用户的协同过滤模型，在物品-用户倒查表中检索出用户之间协同出现的次数，考虑到不同故事质量的影响，根据故事动态属性信息，包括并不只限于浏览信息、热度信息、交易信息刻画出故事质量分值，利用故事质量分值进行调权；
根据所述基于物品的协同过滤模型和基于用户的协同过滤模型的推荐结果，构建混合策略协同过滤模型。
6.根据权利要求1所述的方法，其特征在于，根据所述个体用户行为描述信息动态调整所述推荐结果并排序优化，得到排序后的结果，包括：
获取用户行为日志；
在构建的所述混合策略协同过滤模型中，初始推荐结果列表中基于物品的协同推荐与基于用户的协同推荐具有相同数目的推荐结果，记录用户对推荐列表的点击、浏览行为，判断用户是更倾向于选择哪种协同过滤推荐结果，调整所述混合策略推荐结果的比例。
7.根据权利要求1所述的方法，其特征在于，从所述排序后的结果中选择预设个数的结果，确定为推荐故事
根据所述调权后的混合策略推荐分值以及预设展现个数，调整推荐故事的展示列表。
8.一种故事推荐装置，其特征在于，包括：
接收模块，用于接收故事和新用户；
相似故事推荐模块，用于获取所述故事的属性信息，并根据所述故事属性信息获取基于内容相似的初步推荐结果；
相似用户推荐模块，用于获取用户的用户描述信息，并根据所述用户描述信息获取基于用户相似的初步推荐结果；
混合策略推荐模块，用于获取用户群体行为描述信息，并根据所述用户群体行为描述信息获取基于协同推荐结果；
动态调整模块，用于获取用户个体行为描述信息，并根据所述用户个体行为描述信息动态调整所述推荐结果并排序优化，得到排序后的结果；
确定模块，用于从所述排序后的结果中选择预设个数的结果，确定为推荐故事。
9.根据权利要求8所述的装置，其特征在于，所述数据添加模块，获取所述故事的属性信息，包括：
获取所述故事得分类属性信息、标签属性信息；
获取故事对应的相关用户属性信息，根据用户对所述故事的操作信息计算出用户交互分值，所述用户的操作信息包括并不只限于浏览、点击、阅读时长等，并将所述用户交互分值作为相关用户属性信息特征值；
获取所述故事的介绍信息并转化为词向量，将词向量作为介绍属性信息特征值；
获取所述故事的梗概信息并进行关键词提取，将所述提取出的关键词转化成为词向量，将所述词向量作为梗概属性信息特征值。
10. 根据权利要求8所述的装置，其特征在于，根据所述故事属性信息获取基于内容相似的初步推荐结果，包括：
根据所述故事分类属性信息、标签属性信息、介绍属性信息、梗概属性信息计算故事之间的相似性分值，根据所述相似性分值排序获得相似故事列表，利用所述用户交互分值对所述相似故事列表中的相似性分值进行调权，所述调权后的分值作为故事和用户之间的推荐分值，根据所述推荐分值再次进行排序获得基于内容相似的初步推荐结果。
11. 根据权利要求8所述的装置，其特征在于，所述数据添加模块获取用户的用户描述信息，包括：
获取所述用户通用属性信息，包括角色信息、认证信息、兴趣信息、活跃信息等计算出用户之间的相似性分值；
获取所述用户对故事的操作信息计算出用户交互分值；
根据所述用户之间相似性分值排序获得相似用户列表，利用所述用户交互分值对所述相似用户列表的相似性分值进行调权，利用所述调权后的分值作为用户和故事之间的推荐分值，根据所述推荐分值再次进行排序获得基于用户相似的初步推荐结果。
12. 根据权利要求8所述的装置，其特征在于，所述排序模块获取群体用户行为描述信息，根据所述群体用户行为描述信息获取基于协同过滤推荐结果，包括：
获取用户行为日志，并根据用户行为日志进行建模；
根据用户行为日志建立用户-物品倒查表和物品-用户倒查表，；
根据用户-物品倒查表构建基于物品的协同过滤模型，在用户-物品倒查表中检索出物品之间协同出现的次数，考虑到不同用户重要性的影响，根据用户通用属性信息，包括并不只限于角色信息、认证信息、兴趣信息、活跃信息刻画出用户重要性分值，利用用户重要性分值进行调权；
根据物品-用户倒查表构建基于用户的协同过滤模型，在物品-用户倒查表中检索出用户之间协同出现的次数，考虑到不同故事质量的影响，根据故事动态属性信息，包括并不只限于浏览信息、热度信息、交易信息刻画出故事质量分值，利用故事质量分值进行调权；
根据所述基于物品的协同过滤模型和基于用户的协同过滤模型的推荐结果，构建混合策略协同过滤模型。
13.根据权利要求8所述的装置，其特征在于，根据所述个体用户行为描述信息动态调整所述推荐结果并排序优化，得到排序后的结果，包括：
获取用户行为日志；
在构建的所述混合策略协同过滤模型中，初始推荐结果列表中基于物品的协同推荐与基于用户的协同推荐具有相同数目的推荐结果，记录用户对推荐列表的点击、浏览行为，判断用户是更倾向于选择基于物品的协同过滤推荐结果还是更倾向于选择基于用户的协同过滤推荐结果，调整所述混合策略推荐结果的比例。
14.根据权利要求8所述的装置，其特征在于，所述确定模块从所述排序后的结果中选择预设个数的结果，确定为推荐故事,包括：
根据所述调权后的混合策略推荐分值以及预设展现个数，调整推荐故事的展示列表。