在信息爆炸的今天,推荐系统已成功应用于多个领域并为人们的生活带来便利,目前针对推荐系统的相关研究已经有了很大进展,但近年来网络上用户和项目在指数式增长的同时也加剧了数据稀疏性问题,这一问题成为了阻碍传统推荐系统进一步发展的瓶颈。跨域推荐作为该问题的解决途径之一受到了广泛关注。尽管已经有很多相关的研究通过利用源域的知识来增强目标域的预测性能,但这些研究中缺乏对评论信息及其他辅助信息之间的交叉特征的深入挖掘,且大部分的模型都依赖不同域之间重叠的用户或者项目,进而搭建不同域之间的映射关系从而实现不同域之间信息的充分利用。本文在MMT-Net的基础上改进并提出了基于深度交叉特征迁移的跨域推荐模型DCMT-Net（Deep-Cross Module Transfer Network）,该模型由特征交叉模快~1、用户和项目的嵌入模块~2、融合模块~3以及最后实现评分预测的模块~4构成。在将多方面的信息进行合理的预处理后可通过~1模块中的Deep＆Cross网络同时实现显示的交叉特征的构建以及特征间的非线性相互作用,尽可能多的挖掘可利用的信息,同时在不依赖用户或项目重叠的情况下实现源域信息到目标域的迁移。本文将所提出的模型应用于Yelp的多个目标域上,并利用RMSE和MAE指标,通过不同实验组证实了DCMT-Net在单域以及跨域推荐的有效性。