传统的推荐方法大多局限于单个领域的推荐。单领域推荐面临着推荐系统中固有的的稀疏性问题,因为在数据十分稀疏的情况下,模型很难获得很好的推荐性能。因此,提出了跨领域的思路。然而,现有的大多数跨域推荐模型只使用了两个域的评分信息,不适用于这些域之间没有重叠用户或项目的场景。另外,如果将辅助域中与目标域无关的信息迁移到目标域中,则可能会引起负迁移问题。基于此,本文提出了两种基于跨领域推荐的方法。一种是基于领域内部知识的跨领域推荐（DSLN）。跨领域推荐方法旨在从辅助领域向目标领域迁移知识来缓解数据稀疏问题。然而,辅助域中的知识对目标域来说并不都是有用的,所以本章提出了DSLN模型,DSLN通过深度选择框架可以从辅助域中选取有用的用户或项目知识,将其传递到目标域,从而解决负迁移问题,即使这两个域之间没有重叠的用户或项目。在DSLN模型中,有用知识的选择是通过去噪自编码器（DAE）实现的,该自编码器在辅助域和目标域之间共享。通过最小化DAE的重构误差,一方面可以从辅助域中选取有用的知识,另一方面,也进一步学习了用户和项目在两个领域的潜在表示。此外,我们在具有两种不同稀疏度的多个跨域场景下进行与现有的推荐算法进行比较,结果表明,我们提出的DSLN框架不仅优于传统的单领域方法,而且优于现有的跨领域方法。它可以应用于辅助域和目标域之间没有重叠用户或项目的场景。另一种是基于外部知识驱动的跨领域推荐（KGCR）。当两个领域的域间差异较大时,上述的深度选择推荐框架性能就会下降。我们很难从仅从某个单词来确定上下文的语义,因此,为了克服领域间的差异,我们进一步提出了外部知识驱动的跨领域推荐模型（KGCR）,利用概念网络知识图（Concept Net knowledge graph）,提供了领域独特的和领域一般的背景概念来丰富文档的语义。本章基于图自动编码器来学习背景概念,并利用学习到的概念表示改善DSLN的性能,并通过实验证明了我们提出的模型能够有效的克服两个领域的域间差异问题。