数据的开放与资源的共享已经成为信息时代最大的特点之一。随着行业间数据壁垒的逐渐消失,跨领域推荐受到了越来越多的关注。跨领域推荐与单一领域推荐不同,单一领域的数据相对而言同质化程度更深,而跨领域推荐意味着可以利用数量更多、内容更多元的数据进行模型训练,从而提升模型的推荐效果。传统的跨领域推荐利用信息更加丰富的源域辅助目标域学习,提升目标域推荐效果。然而,这种跨领域推荐将关注点集中于目标域,无法逆向为源域服务,造成了资源浪费。双目标跨领域推荐则能够同时增强源域和目标域的推荐效果。大多数研究将注意力集中于构建联系两个领域的“桥梁”,即挖掘或保持用户在不同领域的某种行为不变性模式,并将这种模式纳入模型的统一学习过程中。然而,这种全局性的模式共享并不能帮助模型识别用户复杂的行为,因为它忽略了用户行为还会随所在领域的变化而变化,这就不可避免地会产生推荐偏差。受心理学研究的启发:行为本身除了会受到个体先天遗传因素的影响,还会在不同程度上受到个体所处环境的影响,本文提出了一种新的双目标跨领域推荐框架,即基于分治策略的双目标跨领域推荐方法。基于分治策略的双目标跨领域推荐模型可以学习用户只在特定领域下的独特偏好,同时仍保留作为共享结构的用户固有偏好。具体来说,首先,将用户特征学习分解为两个子任务,即用户共性特征提取任务和体现领域特性的域特征提取任务。共性特征代表短期内不随环境改变的个人化行为,域特征代表受具体环境影响的情境化特征。然后,根据心理学理论定义损失函数引导模型学习子任务。最后,针对每个具体领域,将其对应的具体的域特征与通用的共性特征相结合,重构用户特征,基于多任务学习,实现双目标跨领域推荐。在三个真实跨领域数据集上进行的实验结果表明,无论领域之间的相似程度如何,基于分治策略的双目标跨领域推荐模型都可以实现比目前最先进的跨领域推荐方法更加卓越的推荐效果。此外,通过消融实验不仅验证了模型结构和目标函数设计的合理性,且反向验证了心理学理论,即用户的复杂行为“游走”于“个性化”和“情境化”之间。本研究为双目标跨领域推荐提供了新的解决思路,根据心理学研究理论重新设计深度神经网络结构、定义目标函数,引导模型有目性的学习,在训练数据不变的情况下,极大的挖掘了模型的潜力,提升了模型的表达效果,研究成果有利于丰富和发展双目标跨领域推荐的理论和方法。此外,在具体实践中,有利于为行业打破数据壁垒、提高数据利用效率提供参考。