推荐系统从九十年代提出以来就不断地为人民生活带来便利,当前的信息时代正是推荐算法施展作用的大好时机。推荐系统对于电商平台有着重要的意义,它能够帮助平台提升流量、赚取广告费和提高商品销量等,所以各大电商平台基本上都有自己的推荐系统,这些平台中都充斥着大量的可用信息。利用各种辅助数据为推荐系统提高预测性能已经成为一种研究趋势。本文顺应这种趋势,致力于研究如何更好地结合辅助信息来提高电商平台推荐算法的性能。然而随着电商平台的增多,用户的浏览难度也在增加,经常需要切换不同的网站进行对比购物,这对用户来说也是不方便的,所以对于跨平台的电商网站的研发具有现实意义。本文的主要工作包括以下几点:(1)本文提出了一种名为HRNrec的融合推荐模型,该模型分别通过两种构图方法获取用户和物品之间的特征关系,然后将其输入融合的神经网络模型来生成推荐结果。第一种构图方法是构建“买家-产品-类别”三部图,然后通过随机游走算法进行游走概率计算,最后生成融合的推荐模型的第一部分输入。第二种构图法是利用异构信息网络得到元图,通过元路径的计算方法求解元图中用户和物品的相似度矩阵,再通过概率矩阵分解方法得到相关特征向量,从而生成融合的推荐模型的第二部分输入。最终通过相关实验验证了算法性能。(2)本文提出了一种针对电商网站的名为MoTSPR的改进的图推荐算法,该算法包含了一种权重调节策略和概率调节策略,并且该算法可适用于重复推荐场景,最终在真实数据集中验证了算法的有效性。(3)本文设计并实现了跨平台的电商推荐网站“比比看”,该网站为用户提供了商品比价、历史价格查看、降价提醒、个性化推荐服务等功能。同时将(2)中提出的MoTSPR算法应用到了比比看网站中。