1.一种面向冷启动用户基于分类偏好迁移的跨域推荐方法，其特征在于，包括以下步骤：S1，通过预训练分别学习用户和物品在源域的嵌入表示，以及用户和物品在目标域中的嵌入表示，并利用偏好编码器获得源域中用户的偏好表示；

S2，通过无监督学习聚类算法将偏好相似的用户聚类到一个簇中，得到每一类用户的类别标签和质心；所述质心为该类型用户的一般偏好表示；

S3，将一般偏好表示嵌入输入元网络，生成该类型用户的类别型桥函数，实现不同类型的用户使用不同的桥函数；

S4，将冷启动用户所在源域的嵌入表示输入至类别型桥函数来获取目标域内的预测的嵌入表示。

2.根据权利要求1所述的一种面向冷启动用户基于分类偏好迁移的跨域推荐方法，其特征在于，所述利用偏好编码器获得源域中用户的偏好表示包括：S1‑1，给定一个用户在源域的交互序列 利用表示学习方法提取源域用户的整体偏好特征，并将其迁移至目标域去预测目标域冷启动用户的嵌入表示；

在序列建模中加入注意机制，并采用加权和的形式作为整合操作：其中 指的是经过偏好编码后的用户在源域的偏好表示；

fAtt(·)表示注意力机制函数；

表示用户在源域的交互序列；

aj表示对于用户的整体偏好来讲物品 的注意力分数；

表示 的嵌入表示；

表示源域中任意一个物品；

S1‑2，以用户在源域中与之交互的物品的嵌入表示序列作为注意力网络的输入，得到注意力分数作为注意力网络的输出；

所述注意力网络表示为：

其中，aj′表示的是注意力网络的输出，为注意力分数；

W1、W2是两个可学习的矩阵；

b为偏置向量；

ReLU()表示RELU激活函数；

表示 的嵌入表示；

S1‑3，将所述注意力分数通过Softmax函数来进行归一化操作，得到最终的注意力分数，表达式如下：aj′表示的是注意力网络的输出，为注意力分数；

aj表示最终的注意力分数，是一个标量；

表示源域交互序列中的某一个物品；

表示源域用户的历史交互序列；

a′m表示训练集的类别标签通过MLP得到的注意力分数。

3.根据权利要求1所述的一种面向冷启动用户基于分类偏好迁移的跨域推荐方法，其特征在于，所述聚类包括：根据用户的偏好对用户进行聚类，得到每一类用户的类别标签和质心；

采用欧氏距离作为用户偏好相似度的度量，公式如下：其中 表示用户i在源域的偏好向量表示；

表示用户j在源域的偏好向量表示；

disted(·)为欧几里得函数；

d表示维度；

表示向量 中其中一个数值；

表示向量 中其中一个数值；

l表示标签向量；

C表示由聚类中心向量组成的矩阵；

l,C表示聚类函数得到的结果，包括标签向量以及标签向量对应的质心矩阵；

fcluster(·)指的是聚类函数；

分别表示用户1在源域的偏好向量表示，用户2在源域的偏好向量表示，用户m在源域的偏好向量表示。

4.根据权利要求3所述的一种面向冷启动用户基于分类偏好迁移的跨域推荐方法，其特征在于，所述聚类函数为k‑means算法。

5.根据权利要求1所述的一种面向冷启动用户基于分类偏好迁移的跨域推荐方法，其特征在于，所述元网络的结构为一个隐藏层为两层的MLP结构，表示如下：wli＝h(ci；θ),    (6)其中h(·)指的是元网络；

θ是指元网络内的参数集合，所述参数集合包括权重矩阵和偏置向量；

ci指的是以用户类别为li所对应的质心向量；

因此，所述类别型桥函数为：

其中 表示类别为li的类别型桥函数；

f(·)为线性函数；

表示类别为li的用户的参数向量。

6.根据权利要求1所述的一种面向冷启动用户基于分类偏好迁移的跨域推荐方法，其特征在于，所述S4包括：对于一个冷启动用户 将其所在源域的嵌入表示输入至类别型桥函数来获取目标域内的预测的嵌入表示；

冷启动用户在目标域的预测的嵌入表示为：其中f(·)为线性函数；

表示类别为li的类别型桥函数；

指的是用户 在源域的嵌入表示；

指的是通过类别型桥函数变换得到该用户所在目标域的预测嵌入表示。

7.根据权利要求1所述的一种面向冷启动用户基于分类偏好迁移的跨域推荐方法，其特征在于，还包括：通过如下损失函数优化全局参数：其中 是全局参数；

指的是重叠用户在目标域的交互评分矩阵；

|·|表示绝对值；

rij表示冷启动用户所在目标域的真实评分值；

f(·)为线性函数；

表示用户 在源域的嵌入表示；

表示类别为li的用户的参数向量；

表示目标域内物品的嵌入表示。

8.根据权利要求1所述的一种面向冷启动用户基于分类偏好迁移的跨域推荐方法，其特征在于，还包括对训练结果进行测试：对训练得到的全局参数得到桥函数，根据预测值和真实值进行RMSE、MAE的计算，得到测试结果；

所述预测值为：通过用户、物品信息得到的有标签的用户评分；

所述真实值为：实际的有标签的用户评分。