随着电子商务迅速发展,越来越多人选择线上购买果蔬商品。果蔬商品在线信息量的爆炸式增长带来了信息过载问题,影响了消费者的用户体验。推荐系统作为缓解“信息过载”的工具,近年来得到了广泛应用。传统协同过滤推荐方法因用户与物品交互数据有限,存在数据稀疏和冷启动等问题。与服装、图书等商品相比,实际推荐场景中用户与果蔬商品交互更少,数据稀疏性与冷启动问题更严重。如何通过有限的交互数据,提升对果蔬商品的推荐效果,是一个值得研究的课题。作为一种新的学习范式,元学习可以通过少量训练样本,快速学会新知识和技能,在缓解推荐过程中的数据稀疏性和冷启动问题具有一定优势,近年来被越来越多应用于推荐系统研究中。论文基于元学习的果蔬商品个性化推荐研究,就是将元学习技术运用于果蔬商品的推荐,以缓解样本数据的稀疏性和冷启动等问题。本文的主要研究工作如下:（1）本文提出物品和用户嵌入增强模块。元网络是基于模型元学习方法的一种模型结构,具有对任务中存在的某种关系进行快速提取,实现知识的跨任务迁移能力的模型,可以获取物品初始嵌入表示与利用丰富交互信息更新后的嵌入表示,两者之间存在的相关关系。本文设计了一个元网络模型结构,实现果蔬商品的嵌入特征空间快速变换;使用用户对果蔬商品的评论文本数据,实现用户语义特征的提取,生成每个用户基于真实偏好的特征嵌入表示。并通过实验证明元网络对果蔬商品特征提取以及用户特征提取模型的有效性。（2）提出一种适用于果蔬商品的元学习的学习范式Meta EE。Meta EE利用其果蔬商品和用户的嵌入增强模块,以及模型无关的元学习算法对推荐模型的参数更新两部分内容,对果蔬推荐的整体流程进行规范,指导推荐模型参数根据果蔬商品和用户特征信息快速迭代更新。（3）通过真实数据集进行相关实验,验证了本文提出的Meta EE学习范式的有效性。实验结果表明,在果蔬商品推荐方面,采用本文提出Meta EE元学习方法对不同推荐模进行参数训练,其推荐效果,相较于传统的推荐技术,具有一定的优势,其有助于推荐过程中的缓解数据稀疏性与冷启动问题。