随着互联网及其相关技术的发展,人们在享受网络带来的便利的同时,也面临着严重的信息过载问题,在面对海量信息的同时,不仅难以获得对自己有用的信息,也降低了自己的浏览体验。推荐系统是解决信息过载问题的有效手段,它能从用户的历史记录里学习到用户的偏好信息,并基于此预测用户在未来的信息获取需求,做出个性化的推荐。推荐系统不仅大大提高了用户获取有效信息的效率,提高了用户的使用体验,也给使用了推荐系统的企业带来收益的提升。而由于推荐任务的结构性问题,推荐系统往往面临着数据稀疏性的问题和用户的冷启动问题。因此,大量的推荐算法的研究都着力于解决这两个问题。跨领域推荐是解决数据稀疏性问题和用户冷启动问题的有效手段,这类算法是基于用户往往在多个领域都会有交互记录、且这样的交互记录能有效反映出用户的偏好信息这一事实,为了改进目标领域的推荐问题,从其他相关领域中学习知识,并迁移到目标领域,作为目标领域用户-物品交互信息的补充,以此来缓解数据稀疏性问题和用户的冷启动问题。然而,现有的跨领域推荐算法如联合矩阵分解算法,密码本迁移算法,模型的表达能力较弱,无法学习到深层次的复杂用户-物品交互模式进行迁移;CoNet用到了深度网络来学习复杂的用户-物品交互函数,但是只用到交互信息,而更丰富的商品辅助信息等则未被纳入模型。本文针对用户完全重叠场景下的文娱内容商品（如书籍、电影、电视剧）的跨领域推荐问题,提出了一种基于用户体裁偏好的深度协同交叉网络模型（Genre-based Collaborate Cross Network,GCCN）,以改进系统在这些领域的推荐性能。具体而言,本文将用户在文学体裁方面的偏好特征,整合进基于深度学习技术的跨领域推荐深度网络中,通过引进交叉网络结构,利用每个隐藏层的迁移矩阵将两个单独的深度网络融合起来,实现了两个领域间信息的双向迁移,并自动从数据中学习迁移模式,以赋予不同特征不同的迁移权重、筛选出有效的迁移信息、过滤掉其他领域的噪声。GCCN模型比单域的推荐模型、只用到用户-物品交互信息的跨域迁移模型CoNet都有显著的效果提升,其中比目前最好的跨域推荐模型CoNet在HR@10和NDCG@10这两个指标上分别提升了约1.6和2.7个百分点。这样的效果提升可以归功于以下几点:1.我们注意到推荐领域的特殊性,文娱商品领域间的不同子领域具有类似的体裁属性,而用户在不同的子领域的体裁偏好特征往往是共享的一即用户的体裁偏好是独立于文娱商品子领域的。我们将这样的用户偏好特征通过一个体裁分类模型提取出来,使用fastText模型提取出商品描述信息的体裁特征,作为物品特征的补充;2.我们从体裁偏好的角度改进了跨域协同交叉网络（CoNet）,以更好地对个体的文学体裁偏好进行建模。我们将不同领域的商品描述信息映射到同一个体裁领域中,并与用户-物品交互特征一起输入深度交叉网络中,使得模型不仅能够学习到用户-物品的复杂交互模式,也能学习到用户-体裁的交互特征,从而能够迁移这部分特征改进目标领域的推荐效果。通过在亚马逊数据集上的比较实验,我们评估了GCCN模型的效果。实验结果表明,我们提出的GCCN模型比其他模型都表现优秀,证明了商品的体裁偏好特征有助于对用户偏好的建模,同时,从不同领域学习到的用户的体裁偏好特征能有效缓解目标领域的数据稀疏性问题,从而提升推荐系统的性能。