随着大数据时代的快速发展,运用大数据技术学习数据中的有用信息至关重要。推荐系统为解决信息过载提供了有力的支撑,但是当新用户或新项目出现时还存在冷启动问题,因此,学术界提出跨领域推荐技术,通过学习辅助领域的用户偏好或项目知识表示,来解决目标领域的数据稀疏和冷启动问题,提高目标领域的推荐性能。然而目前的跨领域推荐模型在学习领域间的项目关联关系以及共性知识提取方面还有很大的提升空间。近年来,图神经网络在结构数据表示学习方面取得了良好进展,使用图神经网络有助于深层次地学习用户-项目交互、项目-项目关联关系,有助于丰富项目的知识表示学习。本文开展了面向跨领域推荐的项目表示学习研究,针对领域间项目共性知识的学习,提出了基于项目聚类的多视图知识表示方法（Multi-view Knowledge Representation Method for Cross Domain Recommendation,MKRM）,设计了学习项目深层次隐式特征的网络,加入多头注意力机制和记忆力模块。在此基础上,最终提出了一个面向跨领域的推荐模型（MKRM-Component Learning,MKRM-CL）。其主要研究内容如下:（1）针对现有的跨领域项目共性知识学习未充分利用项目关联关系的问题,本文构建了辅助领域和目标领域的用户-项目-属性异质信息网络。考虑到领域间项目属性存在不对齐的情况,使用文档词频的统计计算等方法将这些不同的属性进行聚类,获得辅助领域和目标领域共同拥有的属性类,根据属性类将项目划分到多个不同的异质信息网络子图中,形成多个视图。（2）针对项目的知识表示未充分利用项目的多重属性的问题,本文设计了基于多视图的项目表示学习方法,分别从各个视图中学习项目表示中更高阶的图结构信息和隐式的用户偏好信息,并使用图注意力网络对同一个项目的知识表示在不同子视图的特征进行拼接,形成包含多重属性的项目知识表示,提出基于项目聚类的多视图知识表示方法MKRM,并用于下游推荐任务,生成更好的推荐内容。（3）为进一步学习项目的深层次隐式特征,本文在多视图项目聚类,并使用图注意力网络学习项目的知识表示后,构建了学习项目深层次隐式特征的网络使用记忆力模块和多头注意力机制学习项目的每一个组成部分,并且加入用户偏好,挖掘项目的深层次表示信息。最终构建了面向跨领域推荐的模型MKRM-CL。（4）基于本文所提出的MKRM-CL模型,在亚马逊图书和电影数据集,以及和利用爬虫爬取的豆瓣图书和电影数据集上分别进行了实验,并与最新的基线算法进行了对比,验证了模型的有效性,在性能上有5%-10%的提升。