1.一种基于一阶元学习和多监督者关联网络的冷启动推荐方法，其特征在于，包括：S1，将原始特征通过嵌入层转化为稠密向量，得到用户的稠密表示和物品的稠密表示；

S2，将用户的稠密表示输入到多监督者网络当中；

S3，通过多监督者网络生成的用户表示以及物品的稠密表示输入到关联网络计算每个用户和物品的重要性，进行一个细粒度的用户‑物品交互建模，得到加权之后的用户表示和物品表示；

S4，将经过细粒度建模生成的用户表示和物品表示输入到基于FOMAML的个性化用户偏好估计模型当中输出最终的结果。

2.根据权利要求1所述的一种基于一阶元学习和多监督者关联网络的冷启动推荐方法，其特征在于，采用驱动门指导所述多监督者网络中各个监督者的监督力度。

3.根据权利要求2所述的一种基于一阶元学习和多监督者关联网络的冷启动推荐方法，其特征在于，所述驱动门表示为：supervisor

a ＝softmax(σ(i,Γ(u)))   (6)supervisor

其中a 表示任务物品驱动门使用softmax函数对前馈神经网络的结果归一化后的权重向量；所述前馈神经网络为监督者网络；

σ(.)是一个三层的前馈神经网络；

i和u分别表示物品i和用户u；

Γ(.)是聚合函数；

在最后经过驱动门的用户表示为：r表示经过驱动门生成的权重向量做点积操作的用户表示；

supervisor

a 表示不同监督者的监督倾向，为权重向量；

si(u)表示第i个监督者对用户u进行监督指导后的用户表示；

n表示监督者的个数。

4.根据权利要求1所述的一种基于一阶元学习和多监督者关联网络的冷启动推荐方法，其特征在于，所述聚合函数采用均值操作。

5.根据权利要求1所述的一种基于一阶元学习和多监督者关联网络的冷启动推荐方法，其特征在于，所述S3包括：S3‑1，计算关联矩阵：其中 表示关联矩阵；

tanh是非线性激活函数；

r表示经过驱动门生成的权重向量做点积操作的用户表示；

T

·表示矩阵的转置；

是一个权重矩阵；

i表示物品i；

S3‑2，使用S3‑1求得的关联矩阵计算用户‑物品关联程度的特征计算用户和物品的注意力分数：其中，cu表示用户注意力分数；

ci表示物品注意力分数；

W1、W2表示注意力权重矩阵；

使用softmax函数对上述分数进行归一化得到：R＝softmax(cuV1) (11)I＝softmax(ciV2) (12)其中V1,V2表示重要性权重矩阵；

R和I分别表示估计的用户和物品重要度；

S3‑3，计算加权之后的用户表示和物品表示为：其中 表示加权之后的用户表示；

表示加权之后的物品表示；

Rn表示估计的第n个用户重要度；

rn表示第n个用户；

Im表示估计的第m个物品重要度；

im表示第m个物品；

N表示用户的特征数；

M表示物品的特征数。

6.根据权利要求1所述的一种基于一阶元学习和多监督者关联网络的冷启动推荐方法，其特征在于，所述基于FOMAML的个性化用户偏好估计模型包括决策层和输出层，所述决策层是一个N层的全连接神经网络；

所述决策层为：

T

p1＝a(W1p0+b1),...

所述输出层为：

其中p0是决策层的输入，为步骤S3得到的用户表示和物品表示连接起来的总体向量表示；

表示对 进行连接操作；

p1表示p0经第一层决策层生成的融合用户和物品信息的向量表示；

pN表示经第N层决策层生成的融合用户和物品信息的向量表示；

T

·表示矩阵的转置；

WN和bN是第N层决策的权重矩阵和偏差向量；

Wo和bo是输出层的权重矩阵和偏差向量；

是用户对物品的偏好；

a和σ分别表示决策层和输出层的激活函数。