信息过载的互联网时代,用户如何从海量信息中获取有用信息成为热点研究问题,推荐系统为解决信息过载提供了有力的工具,但是传统推荐算法的性能受限于单领域中用户和项目的稀疏性问题,也受限于新用户无历史行为而面临的冷启动问题。由于不同领域存在用户群体偏好和项目属性类别的相似性和相关性,因此跨领域推荐能够通过学习辅助领域的知识预测目标领域的用户行为,从而丰富目标领域的信息以提高推荐准确率。基于此,本文开展了知识迁移和聚合的跨领域推荐算法研究,主要工作如下:(1)本文为解决用户冷启动问题、领域间评分矩阵直接拼接后提取特征导致的数据过于稀疏以及不容易泛化到新领域等问题,针对用户部分重叠的场景,从群体效应的角度提出了一种知识聚合和迁移相结合的跨领域推荐算法ATCF(Aggregation and Transfer Collaborative Filtering for cross-domain recommendation)与已有的跨领域推荐算法不同,在对共性知识和个性知识的表示和学习中,均充分融合了两个领域的特征。通过在群集矩阵及评分矩阵上的两级拼接和两次填充,得到共性知识表示,缓解了用户行为数据少以及新用户进入系统无行为的冷启动问题。通过知识迁移,构建了有区分的重叠用户和非重叠用户的个性知识表示,有效地避免了负迁移。通过基于知识聚合的共性知识表示和基于知识迁移的个性知识表示,提升了推荐性能。(2)本文为解决忽略领域中的用户个性特征及领域间用户对项目的交互特征而导致的负迁移和用户冷启动等问题,更好地学习个性化的用户特征,针对用户部分重叠的场景,从个体效应的角度进一步提出一种基于映射的注意力机制特征迁移跨领域推荐算法AFTM(Attentive-Feature Transfer based on Mapping for crossdomain recommendation)。该算法通过矩阵分解和注意力机制对用户进行建模,融合用户-项目交互特征构建用户特征向量,然后通过神经网络构建领域间的特征映射,捕获用户特征间的非线性关系,在此过程中融合了领域间用户交互特征,通过融合偏好为新用户提供推荐,并且群体偏好降低了数据稀疏度,在一定程度上避免了负迁移,提高了目标领域的推荐准确性。(3)本文在标准数据集Movielens和真实数据集豆瓣图书和豆瓣电影上进行了实验,实验结果表明,与只考虑单个域的推荐算法和其他跨域推荐算法相比,本文提出的两种跨领域推荐算法在冷启动用户的推荐性能上和所有用户的推荐准确性上有明显的优势,使得目标领域的推荐性能得到较强提升。