近年来我国跨境电商行业迅速发展,专业人才匮乏的问题在跨境电商行业也愈发明显。随着网络信息技术的发展以及网络终端设备的普及,在人力资源领域,求职与招聘等行为也越来越倾向于在网络上完成。同时海量的就业以及招聘信息,使得信息过载问题在人力资源信息管理领域愈发严峻。推荐系统可以从海量的信息中自动筛选出目标用户感兴趣的内容并根据偏好程度完成信息精准推荐,被视作是解决现如今互联网信息过载的利器。本文主要是利用深度学习、机器学习以及文本关键字提取技术,进行跨境电商人力资源的推荐工作,为求职者推荐合适的岗位,提高电商人才向跨境行业输送的效率,促进跨境电商行业有序发展。通过数据预处理以及关键字提取技术,构建起凸显跨境电商人力资源数据特征的数据集,采用“深度模型+浅层模型”的并行网络融合结构,将因子分解机与深度残差神经网络集成为FM＆Res Net模型,对预处理后的数据进行训练学习,最终输出预测结果,达到向求职者推荐合适岗位的目的。并利用一定的模型评价指标进行结果分析,实验结果证明优化后的模型预测性能与效果要优于原模型以及传统的推荐模型。本文中的研究工作主要包括以下两点:（1）数据采集与预处理:本文的所使用的数据来源于各大招聘网站,使用爬虫技术以“跨境电商”为关键字采集公开的求职者以及相关岗位信息。针对原始数据存在的问题进行清洗、转换和制定规则约束等数据预处理操作,并使用中文分词技术将文本信息向量化,并根据跨境电商行业特点进行数据特征提取,从而得到适用于推荐模型处理的跨境电商人力资源数据仓库。（2）跨境电商人力资源推荐模型的研究与实现:本文结合因子分解机与深度残差神经网络两者的优势,从特征融合的角度出发,采用了“浅层模型+深度模型”的并行融合结构,提出了基于融合结构的跨境电商人力资源推荐模型。利用残差神经网络技术学习到数据中高维抽象的隐式特征,利用因子分解机学习数据中低维具体的显示特征,最后将两者所学习到的高维抽象的隐性特征与低维显性特征进行深度融合,构建了适用于跨境电商人力资源推荐场景的特征融合推荐模型。