在过去十几年的时间里,电子商务、社交网络等都在飞速地发展。与此同时,大数据时代随着不断增长的数据量而来临,信息过载这一问题也由此产生。推荐系统逐渐成为了有效解决信息过载问题的一种方案。传统的单一领域推荐系统由于难以有效解决数据稀梳问题以及冷启动问题,导致准确率较低,算法难以扩展。随着各大电子商务系统内领域的增多,不同领域内的用户信息可以实现互补,这为跨域推荐带来了新的契机。因子分解机制(Factorization Machine,FM)是解决高维数据的特征组合问题的有效途径,同时减少数据的稀疏性带来的影响,并且具有较高的预测精度。它可以在线性时间内完成预测,因此在推荐系统和广告点击率预测中成为了研究的重点。为了提高跨域推荐算法的准确率,并解决冷启动和数据稀梳问题,本文提出了基于因子分解机制的跨域推荐算法,主要工作如下:(1)针对在跨域推荐中应用因子分解机制时,如何整合各个领域之间的相关性的问题,本文研究了用户在目标域和辅助域中评分的皮尔逊相关系数,定义为领域相关度。将领域相关度与用户在领域内的平均分的乘积结果作为因子分解机制的特征向量的扩展部分,以此获得了二阶特征之间的约束,提高了因子分解机制的准确率。(2)出于对用户的兴趣、行为等因素的考虑,本文基于大量带有时间因素的用户评分数据,分析了用户行为的动态性在推荐算法中的作用。针对时间因素对用户行为变化的影响问题,通过拟合艾宾浩斯遗忘曲线得到的时间权重函数,探讨并提出了具有时间权重的跨域推荐算法。(3)在不包含用户评分时间戳的短时间跨度以及包含用户评分时间戳的较大时间跨度亚马逊用户评分数据集上,将本文所提出的算法进行试验后与相关的对比算法进行的实验作比较。实验结果表明,与单一领域推荐应用FM和应用了FM的跨域推荐方法相比,本文提出的方法有较低的MAE、RMSE值,并且可以一定程度上减轻用户的冷启动问题。