传统推荐系统仅利用评分数据或少量评论数据等交互信息进行推荐,而这些用户-项目交互占比很小,在信息化时代下,存在严重的数据稀疏和冷启动问题。随着深度学习和神经网络的发展,出现了大量的跨域推荐（Cross-Domain Recommendation,CDR）模型方法,其核心思想是利用从其他领域收集的信息来辅助另一个领域进行。虽然现有的跨域推荐模型方法在一定程度上缓解了数据稀疏性问题,但仍然存在如下一些问题:一是只是简单利用评分数据,没有将用户和项目的其它属性充分利用起来,数据本身挖掘不足,导致成本增加;二是知识跨域迁移难,面临冷启动问题;三是存在数据稀疏和数据不平衡问题。因此,本文为解决以上跨域推荐中存在的问题,进行了以下两方面的工作:（1）针对现有大多数跨域推荐模型方法只是简单利用评分数据,对评论信息挖掘不足,论文提出了一个基于评论细粒度观点的跨域推荐模型（Cross-Domain Recommendation Model Based on Fine-Grained Opinion from Review,FGOR-CDRM）。评论信息中往往包含用户的多个观点,如何充分利用评论信息中的细粒度观点挖掘其潜在价值以更好解决跨域推荐冷启动和数据稀疏问题,成为当下跨域推荐的研究重点与难点。FGOR-CDRM模型主要由评论细粒度观点提取、辅助评论增强、跨域相关性学习三个模块组成。首先,将文本卷积神经网络（Text CNN）与门控机制结合,通过设置两个全局细粒度观点矩阵指导查询,有效提取评论信息的细粒度观点;其次,在文本卷积之上增加一层卷积,利用相似非重叠用户的评论构建辅助文档,在增加训练数据多样性的同时有效缓解了数据稀疏;最后,学习跨域细粒度观点之间的相关性,利用静态细粒度观点构建相关矩阵并进行语义匹配,实现目标域冷启动用户对项目的评分预测。在实验中我们选取Amazon数据集中的Book、Movies and TV、CDs and Vinyl三个类别形成三个数据领域对进行实验。实验结果表明,FGOR-CDRM模型在三个数据领域对下的表现均优于其它基准模型,以“电影-图书”数据领域对为例,FGOR-CDRM模型的MAE比基线模型中ANR模型提高6.09%,比CDLFM模型提高3.58%;（2）针对在跨域推荐系统的数据稀疏性、数据不平衡以及信息迁移难问题,论文提出了一个基于GAN的用户评论跨域推荐模型（Cross-Domain Recommendation Model of User Review based on GAN,CDUR-GAN）。首先,在CDUR-GAN模型中加入用户评论信息和图片信息,以便充分利用数据,并为用户、项目及其交互学习可迁移的潜在表示;其次,在判别器中融入注意力机制,在判别器输出叠加之后,加入Attention层,以训练提升生成器模型的推荐准确度和稳定性;最后,采用对抗域自适应技术的思想,针对推荐系统领域重新进行改进,将对抗域自适应技术应用到跨域推荐领域,使得目标域中的用户-项目交互尽可能靠近源域评分特征,以解决在跨域之间信息迁移难的问题。在实验中,选取Amazon数据集中的Digital Music、Music Instruments、Home＆Kitchen、Office Products、CDs五个类别形成三个数据域对进行实验。实验结果表明,CDUR-GAN对比基线模型中表现最好的ANR模型,在三个数据域对下MAE分别取得了6.46%、9.06%、3.75%的提升,MSE取得了6.84%、4.87%的提升。