1.一种基于复杂网络中多类多关系异质图的短视频推荐方法，其特征在于，包括如下步骤：步骤1、构建面向多类多关系异质图的复杂神经网络模型，该模型包括结构特征编码模块、带权多关系路径聚合模块和特征融合模块；

步骤2、构建损失函数以优化训练面向多类多关系异质图的复杂神经网络模型；

步骤3、获取当前用户的短视频数据，输入训练完成的面向多类多关系异质图的复杂神经网络模型，生成个性化的短视频推荐列表；

所述步骤1中，面向多类多关系异质图的复杂神经网络模型的工作过程为：步骤1.1、构建异质图，通过结构特征编码模块得到每个路径的结构特征编码；

步骤1.2、通过带权多关系路径聚合模块聚合路径邻居，生成每个路径的特征嵌入矩阵；

步骤1.3、通过特征融合模块将路径的结构特征编码与特征嵌入矩阵结合，形成路径的结构嵌入，然后，利用图级注意力机制对不同路径下的节点特征进行融合，生成最终的特征嵌入表示；

所述步骤1.1的具体过程为：

步骤1.1.1、结合图着色过程、四色定理和独热编码，为异质图中的每个路径生成颜色特征编码；

步骤1.1.2、生成序列特征编码；

步骤1.1.3、将颜色特征编码与序列特征编码结合，得到结构特征编码；

所述步骤1.1.1的具体过程为：

步骤1.1.1.1、基于图着色过程为异质图中每个节点进行颜色编码；图着色过程为： (1)；

其中， 为对异质图 的颜色编码； 是着色函数；

步骤1.1.1.2、按照四色定理赋予节点颜色特征，具体为：如果 ，则 ，为第 个节点和第 个节点之间的边；为异质图中节点相连的路径集合； 和 分别是第个节点 和第 个节点 着色后的颜色特征；

步骤1.1.1.3、生成颜色特征编码；具体过程为：首先，对每个路径进行颜色编码：

 (2)；

其中， 为第 个路径 的颜色编码；第1个节点 是 的头结点，第 个节点 是的尾结点，是拼接操作；

由于异质图中有 种颜色，所以使用独热编码为每个路径的不同颜色生成颜色编码，得到 ， ；

然后，通过卷积的形式捕获每个路径的颜色特征编码： (3)；

其中， 是第个路径 的颜色特征编码； 是 的邻接矩阵；

是 扩充后的颜色编码矩阵； 是可学习的参数矩阵；是目标类型节点数量；

所述步骤1.1.2的具体过程为：

首先，对每个路径进行序列编码：

(4)；

其中， 为第 个路径 的序列编码； 是第 个节点 类型的编码； 是异质图中的总节点数量；

然后，根据序列编码，获得每个路径的序列特征编码： (5)；

其中， 是第个路径 的序列特征编码；

所述步骤1.1.3的公式为：

 (6)；

其中， 是第 个路径 的结构特征编码；

所述步骤1.2的具体过程为：

步骤1.2.1、假定第 个路径 的起始节点分别为 和 ，通过平衡策略来保留边数量的差异性；边权值计算表示为： (7)；

其中， 表示第 个节点 与 下的所有邻居节点间的边权值； 表示在 下第个节点 与第 个节点 之间边的数量；

定义 为第 个路径 下所有节点间的边权值矩阵，则在路径集合下有边权矩阵集合 ，其中 表示路径的数量， 为第 个路径； 为第 个路径下所有节点间的边权值矩阵；

步骤1.2.2、将每个节点自身的边权值设定为所连节点中的最大边权值，并按路径长度对边权值进行归一化，公式为： (8)；

 (9)；

其中， 是边权值矩阵 的对角线元素； 为极大值函数； 为第个路径 下归一化的边权值矩阵； 为路径长度计算函数； 是利用长度对归一化后的结果；

步骤1.2.3、获得边权值矩阵后，通过边权值聚合第 个路径 上的节点特征，得到特征嵌入矩阵： (10)；

 (11)；

其中， 是节点的初始特征矩阵，为初始特征维度； 是经过特征投影后的特征矩阵， 为降维后的特征维度； 是特征转换矩阵； 是可学习的参数矩阵； 是第 个路径 的特征嵌入矩阵； 是激活函数。

2.根据权利要求1所述基于复杂网络中多类多关系异质图的短视频推荐方法，其特征在于，所述步骤1.3的具体过程为：步骤1.3.1、在获得不同路径下的结构特征编码集合 和特征嵌入矩阵集合 后，将二者进行融合：

 (12)；

其中， 为第 个路径 的结构嵌入； 为第 个路径 的结构特征编码； 为第个路径 的特征嵌入矩阵；

步骤1.3.2、对不同特征进行对齐： (13)；

其中， 为对齐后的第 个路径 的结构嵌入； 是第 个路径 的特征转换矩阵；

步骤1.3.3、利用路径级注意力机制将不同路径融合： (14)；

 (15)；

 (16)；

其中， 为第 个路径的重要性；代表节点的集合；为节点； 是图级注意力向量； 为tanh激活函数； 是权重矩阵； 表示 中节点 所对应的结构嵌入；

是偏执向量； 为第 个路径对任务的贡献； 为以e为底的指数函数； 为最终的特征嵌入表示。

3.根据权利要求2所述基于复杂网络中多类多关系异质图的短视频推荐方法，其特征在于，所述步骤2的具体过程为：通过最小化损失 来优化模型参数：

 (17)；

其中， 是投影矩阵； 是标记节点的集合； 和 分别是标记节点 的标签向量和最终的特征嵌入表示。

4.根据权利要求3所述基于复杂网络中多类多关系异质图的短视频推荐方法，其特征在于，所述步骤3的具体过程为：步骤3.1、确定节点特征矩阵，包括短视频特征矩阵、用户特征矩阵；短视频特征矩阵包含所有短视频信息，用户特征矩阵由用户信息组成；

步骤3.2、基于面向多类多关系异质图的复杂神经网络模型进行节点特征提取；

将收集到的短视频数据处理成异质图形式，异质图中节点代表不同实体，包括短视频、用户、创作者；边则表示实体间的关系，包括观看关系和创作关系；对每个节点，根据公式(1)和四色定理进行颜色编码，赋予节点颜色特征；根据公式(2)对每个路径进行颜色编码，利用公式(3)捕获每个路径的颜色特征编码，根据公式(4)对每个路径进行序列编码并利用公式(5)获得每个路径的序列特征编码；根据公式(6)将颜色特征编码和序列特征编码相结合得到结构特征编码；随后，根据公式(7)计算每个节点在每个路径下的所有邻居节点间的边权值，构建边权值矩阵，并根据公式(8)和公式(9)进行边权值矩阵的归一化，根据公式(10)和公式(11)对短视频特征矩阵和用户特征矩阵计算得特征嵌入矩阵，根据公式(12)融合结构特征编码和特征嵌入矩阵得到结构嵌入，根据公式(13)得到对齐后的结构嵌入，最终根据公式(14)至公式(16)计算最终的特征嵌入表示；

步骤3.3、根据公式(17)进行模型参数的不断更新和反向传播；

步骤3.4、对于短视频节点，使用公式(16)计算得到的是短视频节点嵌入表示，所有短视频节点嵌入表示构成了短视频节点嵌入矩阵；计算短视频节点嵌入矩阵中短视频节点之间的相似度；将计算得到的相似度值按照从高到低的顺序进行排序，选取前 个相似度最高的短视频，生成个性化的短视频推荐列表。