1.一种融合信任和显式偏好的可解释在线短租推荐方法，其特征在于，所述方法包括：获取在线短租的历史用户集合、历史房源集合和交易记录集合，根据所述历史用户集合、历史房源集合和交易记录集合构建训练集，并根据所述交易记录集合获取每个用户的历史交易房源序列；所述历史交易房源序列表示用户历史交易入住的房源及排序情况；

对于历史房屋集合中的所有房源，分别根据房源的房屋的信息和房东的信息对应获取各个房源的房屋特征表征向量和房东特征表征向量，以及根据用户对于房源的相关评论提取各个房源纠缠特征表征向量，并构建所有房源的房屋特征表征集、房东特征表征集和纠缠特征表征集；

构建异质偏好识别模型，根据所述训练集的房屋特征表征集、房东特征表征集和纠缠特征表征集对所述异质偏好识别模型进行训练，获得训练好的所述异质偏好识别模型；

所述异质偏好识别模型包括表征解释模块、纠缠表征分解模块、表征融合模块、用户偏好模块、分数计算模块和偏好融合解释模块；

所述表征解释模块用于根据输入的表征集获取表征集中每个表征向量的可解释权重，并根据所述可解释权重获取输入的表征集对应的物品级的表征集；

所述纠缠表征分解用于对输入的表征集进行解纠缠，将输入的表征集分解为若干个对应的物品级的表征集；

所述表征融合模块用于将输入的若干表征集进行拼接融合；

所述用户偏好模块用于根据输入的表征集中各个表征向量的关系获取对应用户的偏好表征向量，并构建各个用户的偏好表征集；

所述分数计算模块用于计算用户的偏好表征集与对应的物品级的表征集中各个物品级的表征向量的匹配分数；

所述偏好融合解释模块用于将输入的表征集进行拼接，并获取拼接后的表征集的可解释偏好权重；

获取目标用户集合和目标房源集合，将所述目标用户集合和目标房屋集合输入训练好的所述异质偏好识别模型，获取所述分数计算模块输出的所述匹配分数推荐给用户；

分别获取所述表征解释模块输出的各个所述可解释权重，以及所述偏好融合解释模块输出的各个所述可解释偏好权重，并将所述可解释权重和可解释偏好权重分别转化为对应的评估分数推荐给房东；

所述根据所述训练集的房屋特征表征集、房东特征表征集和纠缠特征表征集对所述异质偏好识别模型进行训练，具体包括：通过所述表征解释模块获取所述房屋特征表征集、房东特征表征集和纠缠特征表征集对应的物品级的房屋物品表征集、房东物品表征集和纠缠物品表征集；

通过所述纠缠表征分解模块将所述纠缠物品表征集分解为物品级的与房屋相关的第一物品表征集、与房东相关的第二物品表征集和与房屋和房东均相关的共享物品表征集；

通过所述表征融合模块将所述房屋物品表征集、第一物品表征集和共享物品表征集融合得到房屋融合物品表征集，以及将所述房东物品表征集、第二物品表征集和共享物品表征集融合得到房东融合物品表征集；

基于所述房屋物品表征集、房东物品表征集、第一物品表征集、第二物品表征集、房屋融合物品表征集和房东融合物品表征集，通过所述历史交易房源序列分别提取每个用户对应的物品级的房屋表征集、房东表征集、第一表征集、第二表征集、房屋融合表征集和房东融合表征集；

将每个用户对应的所述房屋表征集、房东表征集、第一表征集、第二表征集、房屋融合表征集和房东融合表征集输入所述用户偏好模块，分别获取每个用户的房屋偏好表征集、房东偏好表征集、房屋特征相关偏好表征集、房东特征相关偏好表征集、房屋融合偏好表征集和房东融合偏好表征集；

通过分数计算模块分别计算每个用户的所述房屋偏好表征集、房东偏好表征集、房屋特征相关偏好表征集和房东特征相关偏好表征集与对应的物品级的表征集中各个物品级的表征向量的匹配分数；

将所述房屋融合偏好表征集和房东融合偏好表征集，以及房屋融合表征集和房东融合表征集输入所述偏好融合解释模块进行拼接，并通过拼接后的表征集分别获取用户对于房屋和房东的可解释偏好权重；

分别计算所述第一物品表征集与房屋物品表征集和房东物品表征集之间，以及所述第二物品表征集与房屋物品表征集和房东物品表征集之间的解纠缠正则化损失，并根据所述解纠缠正则化损失得到所述异质偏好识别模型的第一损失；

分别计算所述共享物品表征集与所述房屋物品表征集、房东物品表征集、第一物品表征集和第二物品表征集的正交约束损失，并根据所述正交约束损失得到所述异质偏好识别模型的第二损失；

根据对应用户的所述房屋偏好表征集、房东偏好表征集、房屋特征相关偏好表征集和房东特征相关偏好表征集与对应的物品级表征集中各个物品级表征向量的匹配分数计算第一BPR损失，并根据所述第一BPR损失得到所述异质偏好识别模型的第三损失；

根据用户对于房屋和房东的可解释偏好权重，以及对应的物品级的表征集中各个物品级的表征向量的匹配分数计算第二BPR损失，并根据所述第二BPR损失得到所述异质偏好识别模型的第四损失；

将所述第一损失、第二损失、第三损失和第四损失进行加权，得到所述异质偏好识别模型的最终损失；

根据所述最终损失对所述异质偏好识别模型进行反向更新，最终得到训练好的所述异质偏好识别模型。

2.根据权利要求1所述的一种融合信任和显式偏好的可解释在线短租推荐方法，其特征在于，所表征解释模块包括若干并行设置的第一注意力池化层；

所述第一注意力池化层用于根据输入的表征集并利用注意力池化机制对输入的表征集中的表征向量进行解析，获取各个表征向量的可解释权重，并根据所述可解释权重对各个表征向量进行加权拼接，得到输入的表征集对应的物品级的表征集；

表现为：

式中， 表示输入的表征集 中第l个表征向量， 表示所述表征集 中的第l个表征向量计算得到的所述可解释权重， 表示拼接函数，表示所述表征集 的所有表征向量加权拼接后的向量，表示输出的对应所述表征集 的物品级的表征集，为对应输入表征集 的所述第一注意力池化层的待学习的参数向量，表示整体的表征集； 为对应输入表征集 所述第一注意力池化层的待学习的参数向量， 、 为待学习的权重矩阵，R为矩阵标识， 和 分别表示矩阵的维度为dx1和dxd。

3.根据权利要求1所述的一种融合信任和显式偏好的可解释在线短租推荐方法，其特征在于，所述用户偏好模块包括若干并行设置的偏好网络；所述偏好网络包括多头自注意力层和第二注意力池化层；

所述多头自注意力层用于利用自注意机制获取输入的表征集内的各个表征向量之间的关系，并对通过该关系对对应表征向量进行增强；

所述第二注意力池化层用于利用注意力机制对各个增强后的表征向量进行解析，获取各个增强后的表征向量的偏好权重，并根据所述偏好权重对各个增强后的表征向量进行加权拼接，得到对应表征集的偏好表征集；

表现为：

式中， 和 分别表示输入的对于用户u的物品级的表征集 中的第i个表征向量和第j个表征向量，所述 为对应输入表征集 的所述偏好网络中的多头自注意力层的权重，表示第i个表征向量和第j个表征向量的关系， 为输入的表征集 的第i个表征向量的增强后的表征向量， 为对应输入表征集 的所述偏好网络中的多头注意力层的待学习的权重矩阵，R为矩阵标识， 表示矩阵的维度为dxd；

为对应输入表征集 的所述偏好网络中的所述第二注意力池化层的权重，表示第i个和第j个增强后的表征向量对用户u的重要性； 为对应输入表征集 的所述偏好网络输出的偏好表征集； 是对应所述偏好网络中待学习的参数向量，表示所述历史交易房源序列整体； 表示拼接函数； 表示自然指数函数； 表示矩阵的转置；

和 分别表示对应输入表征集 的所述偏好网络中的所述第二注

意力池化层的待学习的参数向量和权重矩阵，R为矩阵标识， 和 分别表示矩阵的维度为dx1和dxd。

4.根据权利要求1所述的一种融合信任和显式偏好的可解释在线短租推荐方法，其特征在于，所述将所述房屋融合偏好表征集和房东融合偏好表征集，以及房屋融合表征集和房东融合表征集输入所述偏好融合解释模块进行拼接，并通过拼接后的表征集分别获取用户对于房屋和房东的可解释偏好权重，其中用户对于房屋的可解释偏好权重的获取表现为：用户对于房东的可解释偏好权重的获取表现为：

式中， 分别表示所述房屋融合偏好表征集和房东融合偏好表征集，

分别表示所述房屋融合表征集和房东融合表征集， 分别表示待学

习的参数向量， 表示待学习的权重矩阵，R为矩阵标识， 和 分别表示矩阵的维度为dx1和dxd； 表示对输入的参数进行拼接； 表示矩阵的转置。

5.根据权利要求1所述的一种融合信任和显式偏好的可解释在线短租推荐方法，其特征在于，所述分数计算模块用于计算用户的偏好表征集与对应的物品级表征集中各个物品级的表征的匹配分数，具体公式表现为：式中，表示对应的所述表征解释模块或表征融合模块输出的物品级表征集中的第i个表征向量； 表示对应的所述用户偏好模块输出的用户u的偏好表征集， 表示矩阵的转置。

6.根据权利要求1‑5任一项所述的一种融合信任和显式偏好的可解释在线短租推荐方法，其特征在于，所述分别计算所述第一物品表征集与房屋物品表征集和房东物品表征集之间，以及所述第二物品表征集与房屋物品表征集和房东物品表征集之间的解纠缠正则化损失，具体通过如下公式分别计算对应解纠缠正则化损失：式中，为所述第一物品表征集，为所述第二物品表征集，为所述房屋物品表征集，为所述房东物品表征集； 表示两个矩阵之间的距离协方差， 表示矩阵的距离方差；

所述根据所述正则化损失得到所述异质偏好识别模型的第一损失，具体通过如下公式计算：式中， 表示所述第一损失。

7.根据权利要求1‑5任一项所述的一种融合信任和显式偏好的可解释在线短租推荐方法，其特征在于，所述分别计算所述共享物品表征集与所述房屋物品表征集、房东物品表征集、第一物品表征集和第二物品表征集的正交约束损失，具体通过如下公式分别计算对应的正交约束损失：式中， 表示F范数的平方，为所述第一物品表征集，为所述第二物品表征集，为所述房屋物品表征集，为所述房东物品表征集，为所述共享物品表征集， 表示矩阵的转置；

所述根据所述正交约束损失得到所述异质偏好识别模型的第二损失，具体通过如下公式计算：式中， 表示所述第二损失。

8.根据权利要求5所述的一种融合信任和显式偏好的可解释在线短租推荐方法，其特征在于，所述根据对应用户的所述房屋偏好表征集、房东偏好表征集、房屋特征相关偏好表征集和房东特征相关偏好表征集与对应的物品级表征集中各个物品级表征向量的匹配分数计算第一BPR损失，具体通过如下公式分别计算对应的所述第一BPR损失：式中， 表示所述训练集， 表示

历史用户集合中的用户u在所述历史房屋集合中的基于所述交易记录集合的正样本集合，表示用户u在所述历史房屋集合中的基于所述交易记录集合的负样本集合；

所述根据所述第一BPR损失得到所述异质偏好识别模型的第三损失，具体通过如下公式计算：式中， 表示所述第三损失。

9.根据权利要求5所述的一种融合信任和显式偏好的可解释在线短租推荐方法，其特征在于，所述根据用户对于房屋和房东的可解释偏好权重，以及对应的物品级表征集中各个物品级表征的匹配分数计算第二BPR损失，具体包括：分别获取各个用户的所述房屋融合偏好表征集与所述房屋融合表征集中的各个物品级的表征向量的匹配分数，以及各个用户的所述房东融合偏好表征集与所述房东融合表征集之间的匹配分数，具体公式为：式中， 和 分别表示所述房屋融合表征集 和房东融合表征集 中的第i个表征向量， 和 分别表示基于用户u获取的所述房屋融合偏好表征集和用户房东融合偏好表征集；

获取用户对于房屋的可解释偏好权重 和对于房东的可解释偏好权重 ；

通过如下公式计算用户偏好匹配分数：

分别通过如下公式计算对应的所述第二BPR损失：

式中， 表示所述训练集， 表示

历史用户集合中的用户u在所述历史房屋集合中的基于所述交易记录集合的正样本集合，表示用户u在所述历史房屋集合中的基于所述交易记录集合的负样本集合；

所述根据所述第二BPR损失得到所述异质偏好识别模型的第四损失，具体通过如下公式计算：式中， 表示所述第四损失。