现在推荐系统已在人们的生活中占据着越来越重要的位置。推荐系统被广泛使用在多个领域上,它们通过分析用户的行为发现用户潜在的消费习惯,然后推荐用户可能购买的商品。然而,垂直电子商务网站上个性化推荐却面临着数据稀疏的困扰。稀疏数据会造成不精确的推荐,从而降低用户的购物满意度。基于用户的协同过滤推荐通过发现相似用户的购买意向推荐用户商品。因此,准确的反映用户之间的相似情况会提升推荐的准确性。但垂直电子商务网站上的订单数据非常稀疏,用户之间的相似度情况会因使用稀疏的订单数据计算而准确度下降。为了改善垂直电商推荐系统的数据稀疏问题,本文首先提出一种联合垂直电子商务网站上订单数据和点击数据作为输入数据的推荐方法,通过同时考虑用户的购买行为和点击行为来改进用户之间的相似度计算,这种方法可以更好的衡量用户之间相似度。接着本文提出一种将迁移学习与基于用户的协同过滤相结合的方法,为垂直电子商务网站推荐系统的数据稀疏问题提供了一种新的解决方案。该方法通过把密集数据集上学习到的知识迁移到稀疏数据集上来改善后者的数据稀疏问题。不同于以往的实验在公开数据集上进行,本文使用真实的垂直电子商务网站数据集来评估文中提出的方法。本文使用一家内衣网站的订单数据和购买数据来评估和验证改进的相似度计算,同时选择该内衣网站和一家眼镜网站的数据分别作为稀疏数据集和密集数据集,并基于这两个数据集对迁移学习在垂直电商推荐系统中的应用进行评估和验证。实验结果表明,本文提出的方法可以改善数据稀疏问题,提升用户协同过滤的使用效果。