随着电子商务网站规模不断扩大,信息过载问题日趋严重,解决此问题的一个非常有潜力的方法便是个性化推荐系统。但用户和商品数量的激增给传统的电商推荐系统带来了数据稀疏性、冷启动、多样性与精确性两难困境等诸多困扰。跨领域推荐旨在通过领域间的信息共享和互补,从包含丰富数据的其他领域中提取知识,为目标领域的推荐提供帮助,一方面可以缓解数据的稀疏性和冷启动问题,另一方面也可以兼顾多样性和精确性,现已成为推荐系统领域的研究热点。本文从跨领域推荐技术考虑,提出将迁移学习应用到电商推荐中,为电商推荐系统存在的诸多问题提供了一种新的解决思路。本文的主要工作包括以下几点:(1)针对传统协同过滤算法在数据极端稀疏的情况下,可能出现的用户相似度计算不准确问题,提出了一种基于用户相似度迁移的跨电商推荐方法。本方法在跨领域推荐的用户重叠场景下,把信息相对丰富的源域计算出的交叉用户相似度模型迁移到信息匮乏的目标域,实验结果表明本方法能对相似度进行有效迁移,获得更好的推荐性能。(2)针对实际场景的电商网站存在数据保护无法显示获取重叠用户的情况,本文对如何有效获取并迁移源域知识进行了探讨,提出了一种基于聚类特征迁移的跨电商推荐方法。本方法将多个稠密源域中的用户群组对项目群组的行为模式迁移至稀疏的目标域,以帮助其重构用户-项目评分矩阵,进而产生推荐列表。在真实电商网站数据集下进行实验并评估了方法的效果,结果表明本方法在具有较广泛适用性的同时,一方面能更好的改善电商网站现存的数据稀疏性和冷启动问题,提高推荐精度,另一方面也不丢失其推荐的多样性。