1.基于元路径的异构网络相似节点查询方法，包括以下步骤：

步骤1：生成路径贪婪树；根据输入的源节点和短文本描述对贪婪树进行扩展；在扩展贪婪树过程中进行短文本的语义匹配；

1.1构建贪婪树根节点；贪婪树的对象结点包括两个部分的信息，一个是路径扩展过程中生成的节点对列表，其中节点对按照字典形式进行存储，将源节点保存成字典的键，目标节点保存成字典的值；另一个为判断当前贪婪树对象是否还能向下扩展的标记，当标记为True时，表示当前对象可以继续向下扩展，标记为False时表示当前对象是路径的终点或达到了元路径的长度阈值，连接贪婪树对象的边使用异构信息网络中的边类型来标注，贪婪树的根节点由于没有扩展，其中源节点对应的值为空；

1.2递归扩展贪婪树；在扩展贪婪树过程中，根据贪婪树的边类型判断下一个节点是否为电影节点；若是电影节点，则进行步骤1.3的语义匹配过程；若不是电影节点，则继续步骤

1.2递归扩展贪婪树过程，直到目标节点出现在贪婪树叶节点的值列表中，或路径达到长度阈值；

1.3对查询输入的短文本和电影文本简介进行语义匹配；影视信息网络是星型结构的网络，其中存在一个中心对象，其余类型的对象均与该中心对象相连，中心对象的属性可以影响网络中所有类型的关系；在影视信息网络中，该中心对象是电影，影人之间的联系都是通过电影产生的，同时电影内容中包含丰富的语义，这些语义可以从节点属性的角度突出节点间连接关系的特点；电影简介使用一小段文本概括电影内容，可以理解成短文本数据；

同时输入的查询文本是短文本数据，因此找到与查询时输入的短文本查询语义相似的电影简介，可以得到符合查询语义的电影内容，从而生成符合短文本语义的元路径；对电影简介和用户输入的短文本之间的语义匹配步包括：(1)使用基于TextRank的开源结巴分词算法对查询输入的短文本进行分词；将输入的短文本记为Q，分词后每篇文档由词序列可表示为[q0,q1,…qi…qn]，其中qi为第i个词，n为词序列长度；

(2)使用定向Skip-Gram模型(Directional Skip-Gram,简称DSG)得到每个词的词向量，记为Vqi；

(3)在得到词向量后，通过公式(1)计算词向量的均值，得到句向量；

(4)对电影的文本简介进行分词，将一篇电影简介记为T,分词后可以得到词序列[t0,…tj,…tm]和每个词的TF-IDF值作为权重，权重序列为[w0,…wj,…wm]；

(5)采用了命名实体识别技术来处理电影文本简介中的人名，将识别为人名的词从分词结果中删除；

(6)对电影简介分词后的词汇进行词性分析，过滤掉动词、形容词、副词等修饰词，保留名词；

(7)使用DSG模型得到每个词tj的词向量Vtj，然后通过公式(2)计算加权平均句向量VT；

(6)基于余弦相似度度量得到两段文本的相似性，计算公式为：

步骤2：确定元路径序列；首先遍历贪婪树得到边类型序列，然后按照边类型序列确定节点类型序列；对生成的贪婪树进行遍历，从中分离出连接输入节点对的路径；L为路径集合，在L中保存所有可能的元路径边序列；将根节点记为第i层的第j个节点，此时i＝0，j＝

0；

2.1从根节点开始向下遍历；根节点为当前节点，贪婪树第i+1层的第j个节点为下一节点，此处j＝0；将连接当前节点和下一节点的边放入当前的路径序列l中，将下一节点的字典值也就是目标节点集合的长度记为该节点的出度；

2.2更新当前节点为上一步的下一节点，下一节点为贪婪树第i+1层第j个叶节点,此处j＝0；若下一节点的标记为True，将连接当前节点和下一节点的边放入当前的路径序列l中，将下一节点的字典值也就是目标节点集合的长度记为该节点的出度；将当前的路径序列l保存在集合L中，并令j＝j+1，进行步骤2.3；否则，判断下一节点是否还有扩展边，若有则将连接当前节点和下一节点的边放入当前的路径序列l中，将下一节点的字典值也就是目标节点集合的长度记为该节点的出度；令i＝i+1，j＝0重复步骤2.2；若下一节点没有扩展边，令j＝j+1，进行步骤2.3；

2.3更新下一节点为贪婪树第i+1层第j个叶节点；若下一节点的标记为True，将连接当前节点和下一节点的边放入当前的路径序列l中，将下一节点的字典值也就是目标节点集合的长度记为该节点的出度；将当前的路径序列l保存在集合L中，并令j＝j+1，进行步骤

2.3；否则，判断下一节点是否还有扩展边，若有则将连接当前节点和下一节点的边放入当前的路径序列l中，将下一节点的字典值也就是目标节点集合的长度记为该节点的出度；令i＝i+1，j＝0重复步骤2.2；若下一节点没有扩展边，令j＝j+1，进行步骤2.3；

2.4完成上述遍历后，得到包含边类型序列的元路径集合L＝{l0,…li,…}；对L中的每条元路径li＝{t0,…,tj,…}，根据其中的边类型tj确定节点类型；最终得到包含节点类型序列和边类型序列的完整元路径；

步骤3：计算元路径的重要度；首先根据影响元路径重要度的因素，定义元路径重要度的计算公式；借助贪婪树叶节点中的实例节点数量，计算元路径的重要度，元路径的重要度计算公式为：Is,t(P)＝Ss,t(P)*Rs,t(P)*Penalty(|P|)(P∈Ps→t) (4)其中，重要度分为Ss,t(P)，Rs,t(P)和Penalty(|P|)三个部分；

3.1计算长度惩罚函数；从步骤2得到的元路径中获取源路径长度，使用β|P|作为惩罚函数，其中β是一个取值为0.5的衰减系数；

3.2计算元路径稀有度；

稀有度计算函数用于评估在给定异构信息网络G＝(V，E)中，元路径P在与输入的节点对相似的其他节点对中的稀有程度，使用Ds,t来表示与输入节点对相似的节点对，其定义为：Ds,t＝Dt∪Ds   (5)

其中，

Dt中不包括t,Ds中不包括s.元路径稀有性可以通过公式(8)计算得到；

3.3计算元路径强度；元路径重要度支持函数为：

Ss,t(P)＝Strength(P)*MNIss,t(P)    (9)

其中，MNIs(p)计算元路径P中的最小实例数，计算如公式(10)所示，pi为元路径上第i个节点的实例数量；

Strenth(p)计算元路径P的强度系数，公式(11)定义了计算方法；假设由公式(10)得到的拥有最小实例数的节点为A，节点A的出度为O(A)，节点A的入度为I(A)；当节点A为电影节点时，节点A的出度通过公式(12)计算得到，pA为节点A的实例集合；由节点A实例集合中的每个节点的向量与短文本向量的相似度求和得到节点A的出度；

3.4计算元路径重要度；通过步骤3.1，3.2，3.3分别计算得到元路径长度衰减系数，稀有度和强度后，根据公式(4)计算最终的元路径重要度；

步骤4：结合多条元路径生成查询实例；符合元路径语义的实例节点对在元路径的语义上具有较高的相似性；因此要得到查询结果实例，只需要找到在每一条元路径语义上都有较高相似性的节点对；

4.1计算节点对基于元路径的相似性；节点对根据不同元路径的相似性计算公式为：

其中，ρei(vi,Ci+1)表示类型为Ci+1，根据边ei连接到节点vi的节点x的集合；Pi...n表示元路径中从节点Ci到Cn的子序列，α为固定参数，设置为0.5；当节点x的类型Ci+1为电影时，使用电影文本简介和查询短文本的相似度和∑sim(Vx，VQ)来替代公式(13)中的|ρei(vi,Ci+1)|；

4.2计算节点对实体s和t之间的相似性；使用线性聚合函数计算实体s和t之间的相似性σ(s,t|P)，将元路径对应的重要度作为相似性的权重，聚合函数为：其中，Ij表示不同元路径Pj对应的重要度；

4.3根据相似性矩阵得到查询实例；得到基于元路径的节点相似性后，为每条元路径计算一个相似性矩阵；若影人节点的数量为m，相似性矩阵的大小为m×m，将元路径P的相似性矩阵记为SP：每条元路径第一次被生成时，就构建好相应的相似性矩阵，这些矩阵可以被重复利用，每次结合多条元路径进行查询时，只需要选取对应元路径的相似性矩阵，记录所有矩阵相同位置处值不为0的索引和值，根据索引即可得到满足所有元路径语义的节点对，计算这些节点对的相似性，即可得到查询结果。