1.联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于，包括：S1：获取存在于目标域的冷启动用户在目标域中的若干个待推荐商品；

S2：将冷启动用户的源域用户表示输入经过训练的跨域推荐模型，输出对应的目标域最终用户表示；其中，跨域推荐模型包括互补映射模块和特征抽取模块；

互补映射模块，首先基于冷启动用户的源域用户表示生成对应的目标域个性表示和目标域共性表示；然后融合对应的目标域个性表示和目标域共性表示，得到冷启动用户的目标域融合用户表示；

通过如下步骤生成冷启动用户的目标域个性表示：

S201：将冷启动用户在源域的商品交互序列 输入源域推荐模型，输出得到商品交互序列的嵌入向量表示 n表示交互的商品数量；

式中： 表示用户在第tk个时刻交互商品的嵌入向量； 表示用户在第tk个时刻交互的商品； 表示源域推荐模型；

S202：基于注意力机制计算冷启动用户对商品交互序列 中各个商品的注意力分数，进而通过商品交互序列的嵌入向量表示 中各个商品的嵌入向量结合对应的注意力分数生成基于商品的用户特征；

式中： 表示基于商品的用户特征；αj表示冷启动用户ui对商品交互序列 中商品vj的注意力分数，其中， Attn(·)表示注意力网络， 表示注意力网络的参数； 表示商品交互序列的嵌入向量表示 中商品的嵌入向量；al表示归一化之前的注意力分数，即注意力网络的输出； 表示商品；

S203：将基于商品的用户特征作为元网络的输入，并将元网络的输出作为个性特征映射模型的权重参数；然后将冷启动用户的源域用户表示作为个性特征映射模型的输入，并将个性特征映射模型的输出作为冷启动用户的目标域个性表示；

式中： 表示元网络的输出，即个性特征映射模型的权重参数； 表示基于商品的用meta户特征；f (·)表示元网络；ε表示元网络参数； 表示个性特征映射模型的输出，即冷p启动用户的目标域个性表示；f 表示个性特征映射模型； 表示冷启动用户ui的源域用户表示；

将冷启动用户的源域用户表示作为共性特征映射模型的输入，并将共性特征映射模型的输出作为冷启动用户的目标域共性表示；

式中： 表示共性特征映射模型的输出，即冷启动用户的目标域共性表示； 表示冷com启动用户ui的源域用户表示；f (·)表示共性特征映射模型；ω表示模型参数；

特征抽取模块，首先从目标域用户集合中采样若干个用户集合作为关键集；然后结合冷启动用户的目标域融合用户表示并利用注意力机制计算冷启动用户对应的目标域融合用户表示对于对应关键集中各个用户的注意力分数；再结合对应关键集中各个用户的注意力分数计算冷启动用户的目标域融合用户表示对于对应关键集的目标域特征向量；最后融合冷启动用户的目标域融合用户表示对于各个关键集的目标域特征向量，得到冷启动用户的目标域增强用户表示；

跨域推荐模型融合冷启动用户的目标域融合用户表示和目标域增强用户表示，得到对应的目标域最终用户表示；

S3：基于冷启动用户的目标域最终用户表示结合对应待推荐的目标域商品表示计算对应冷启动用户对于待推荐商品的目标域预测分数；

S4：将目标域预测分数最高的一个或多个待推荐商品作为冷启动用户的推荐结果。

2.如权利要求1所述的联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于：步骤S2中，通过如下公式计算冷启动用户的目标域融合用户表示；

式中： 表示冷启动用户的目标域融合用户表示； 表示冷启动用户的目标域个性表示； 表示冷启动用户的目标域共性表示。

3.如权利要求1所述的联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于：步骤S2中，通过如下公式计算冷启动用户的目标域融合用户表示对于对应关键集中对应用户的注意力分数；

式中： 表示冷启动用户ui的目标域融合用户表示 对于第kz个关键集 中用户 的注意 力分 数； 表示 冷启动 用户 的目标 域融 合用 户表示 ；

均表示可训练参数； 表示连接操作； 表示用户

对应的向量表示。

4.如权利要求3所述的联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于：步骤S2中，通过如下公式计算冷启动用户的目标域融合用户表示对于关键集的目标域特征向量；

式中： 表示冷启动用户ui的目标域融合用户表示 对于第kz个关键集 的目标域特征向量； 表示冷启动用户ui的目标域融合用户表示 对于第kz个关键集 中用户 的注意力分数； 表示可训练参数。

5.如权利要求4所述的联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于：步骤S2中，通过如下公式计算冷启动用户的目标域增强用户表示；

式中： 表示冷启动用户的目标域增强用户表示； 表示冷启动用户ui的目标域融合用户表示 对于第kz个关键集 的目标域特征向量； 表示可训练参数。

6.如权利要求1所述的联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于：步骤S2中，通过如下公式计算冷启动用户的目标域最终用户表示；

式中： 表示冷启动用户的目标域最终用户表示； 表示冷启动用户的目标域增强用户表示； 表示冷启动用户的目标域融合用户表示。

7.如权利要求1所述的联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于：步骤S3中，通过如下公式计算待推荐商品的目标域预测分数；

式中： 表示冷启动用户的目标域最终用户表示 与待推荐的目标域商品表示 的内积，即冷启动用户ui对于待推荐商品vj的目标域预测分数。

8.如权利要求1所述的联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于：步骤S2中，训练跨域推荐模型时，通过如下公式计算优化目标；

式中： 表示跨域推荐模型训练时的优化目标； 表示源域

和目标域的公共用户在目标域中的真实评分集合； 表示冷启动用户ui对于待推荐商品vj的目标域预测分数；rij表示冷启动用户ui对于待推荐商品vj的目标域真实分数。