随着互联网的快速发展,人们正处于一个信息爆炸性增长的时代。人们从海量信息中获取自己真正感兴趣的信息越来越困难。推荐系统正是当前解决这一难题最热门、最有效的技术之一。虽然在各种互联网服务中都能看到推荐系统的身影,但人们对当前推荐系统的效果还不能完全满意,当前推荐系统主要面临着数据稀疏性、冷启动、海量数据处理等问题的挑战。为了解决这些问题,本文主要做了以下三方面的工作。(1)深入研究了目前主流推荐算法的原理与步骤,分析了各个推荐算法之间的优缺点与适用场景,进而为研究跨域信息推荐系统打下基础。(2)针对传统推荐算法中数据稀疏和冷启动问题,本文借助社交网络,提出了两种融合社交网络与用户评分矩阵的跨域推荐模型,将用户在社交网络中的亲密度引入推荐系统。论文采用百度电影推荐算法创新大赛的数据集,设计了四个实验来验证论文所提出的两个算法的有效性。实验结果表明,论文提出的算法能够有效地缓解传统协同过滤算法面临的数据稀疏性问题,明显提高预测的准确性。(3)针对跨域推荐系统面临的海量数据处理问题,论文实现了本文提出模型中关键算法的并行化,并设计实验验证了算法的有效性和可行性,实验表明并行化算法大大提高了推荐系统对大数据的处理能力。论文较好的解决了当前推荐算法的若干问题,在跨领域推荐算法的研究方面有较好的借鉴作用。