随着云计算、互联网、web2.0技术、电子商务等的急速发展使得网上信息资源呈指数式增长,导致的“信息过载”问题越来越严重。用户很难从海量信息中快速寻找到满足自己个性化的需求,企业面临的困扰是用户对提供的推荐服务是否满意。推荐系统常从用户、商品以及用户评分信息等方面挖掘内在关联,从而为用户和商品建立关联,为用户提供感兴趣的商品推荐列表。虽然传统的推荐系统在一定程度上缓解了“信息过载”问题,数据稀疏和用户冷启动是推荐系统亟待解决的问题。传统推荐算法仅利用单个领域的评分信息进行推荐是不足的。在这种情况下,跨域推荐应运而生,其作用是挖掘多个领域的用户与物品的交互信息并构建合适的模型来完善推荐效果。在当今的移动互联网大时代下,不同行业和领域之间的信息都可以实现共享或者互补,跨域推荐也为解决冷启动问题提供了一种可能。为进一步提高跨域推荐结果的精准度,提高不同领域信息资源的综合利用率,本文提出了基于项目相似度迁移的跨域推荐模型和基于共享评级融合的跨域推荐模型。具体的工作内容如下:（1）本文首先针对项目重叠的场景,对辅助和目标领域的项目进行分析,从项目角度出发,提出一种基于项目相似度迁移的跨域推荐模型（Item similarity Transfer,ISim T）。本文将项目在辅助领域中的相似度扩充到目标领域。首先,利用矩阵分解模型对用户和项目潜在特征进行训练,利用得到最优用户和项目潜在特征矩阵的内积来填充辅助领域缺失的数据集,并计算辅助领域的项目相似度;然后,利用流行度惩罚因子改进的pearson相关系数法,对目标领域项目相似度进行计算;最终,融合辅助领域和目标领域的项目相似度,为用户进行推荐。通过迁移重叠项目的相似度,有效地避免了负迁移的影响,提升了推荐性能。（2）针对领域间没有重叠信息的场景,本文提出一种基于共享评级融合的跨域推荐模型SRFCD（Shared Ratings Fusion Cross-domain Recommendation）。首先通过将各个领域评分矩阵进行分解,通过构造实际评分与预测评分误差的目标函数,利用随机梯度下降法训练用户/项目的特征矩阵,使特征矩阵能够很好地表示用户/项目的潜在特征;然后利用基于模拟退火和遗传算法优化的k-means算法对用户和项目分别进行聚类,将用户类别和项目类别的内积作为共享评级。最终迁移共享评级至目标领域,并融合目标领域特定评级进行评分预测,在一定程度上避免了负迁移,并提高了推荐结果的准确性。（3）为了验证所提算法的有效性,本文选取推荐系统数据集进行实验,结果表明本文提出的算法与基线方法相比,降低了RMSE,提高了准确率、召回率和F1值。