互联网及大数据技术的快速发展,在为人们学习、生活带来便利的同时,也使人们遭受“信息过载”的烦恼,人们无法快速从海量的网上数据中获取感兴趣的信息。在此背景下,个性化推荐技术应运而生,能够在一定程度上解决信息超载问题,然而,目前应用较为广泛的推荐技术都集中在某一领域,单一领域中往往会出现用户数据稀疏性和用户推荐冷启动问题,而研究与事实表明,用户在不同领域也会表现出相同的偏好,如喜爱推理类电影的用户也会倾向于购买推理类书籍。本文将包含丰富的用户及评分信息的领域称为源领域,数据稀疏的领域称为目标领域,如何利用源领域中信息为目标领域用户提供更加精准的推荐是本文主要研究的内容。本文从个性化推荐、跨领域推荐与迁移学习的研究现状出发,聚焦目前单一领域推荐中广泛存在的数据稀疏性与冷启动问题,提出了基于标签迁移学习的跨领域推荐算法以及基于用户兴趣度迁移学习的跨领域推荐算法。在基于标签迁移学习的跨领域推荐算法中,本文将两个领域中共享的标签信息作为连接领域的桥梁,采用非负矩阵分解以及基于粒子群改进的K-means算法对源领域用户评分矩阵进行处理,并通过迁移两个领域共享的标签信息,得出目标领域用户分类结果,最终使用同一类型用户对项目评分的均值填充目标领域中未评分项目;然而在现实中,不同领域共享同样标签的假设难以成立,在用户重叠的场景下,本文接着提出基于用户兴趣度迁移学习的跨领域推荐算法,对源领域用户评分矩阵进行矩阵奇异值分解得出源领域用户兴趣度模型,对目标领域用户相似度进行改进得出目标领域兴趣度模型,据此给出目标领域用户预测评分,为目标领域用户进行商品推荐。本文分别使用公开数据集MovieLens以及阿里云天池数据库集进行实验,实验结果表明,基于标签迁移学习的跨领域推荐算法能够在一定程度上解决数据稀疏性及冷启动问题,且有利于解决领域间因相关程度不足导致的负迁移问题;基于用户兴趣度迁移的跨领域推荐算法同样缓解了数据稀疏性及冷启动问题,能够为用户提供更加精准的推荐结果。