随着互联网技术的飞速发展,信息化时代的到来使每年互联网产生的数据呈指数增长,进而导致信息爆炸。人们在网上想要获取自己所需的信息变得十分困难,作为有效地解决信息过载的一种方式,推荐系统广泛地应用于互联网的各个领域。在推荐系统的发展中一直存在两个问题,即冷启动和稀疏性问题,从而导致推荐的精准度降低,算法难以优化和扩展。随着各大电商系统内领域的增多以及社交媒体的快速发展,不同领域内的用户交互信息可以实现互补,这为推荐系统带来了新的研究方向。近年来,基于深度学习的推荐算法又掀起一轮新的研究热潮。与传统推荐方法相比,它能够将低层的特征组合起来,从而产生更为稠密的高级语义抽象,并自动发现了数据分布的特征,从而更好地提取了用户和项目的特征。为了提高跨域推荐算法的准确率,并解决推荐系统的稀梳性问题,本文以自编码器为基础提出了两个跨域推荐算法,主要工作如下:针对传统推荐算法的不足,提出了一个基于堆叠自编码器的跨域推荐方法CroAuto Rec。将跨域信息引入自编码器中共同学习用户和项目的更深层次的非线性网络结构。对同一用户在不同领域的共享评分模式进行学习和迁移,形成基于用户的跨域堆叠自编码器模型Ucro-Auto Rec,将Ucro-Auto Rec模型的评分矩阵进行转置,形成基于项目的跨域堆叠自编码器模型Icro-Auto Rec,并且分别从预测精准度和分类准确率两个方面对模型进行评价并选择最优结果模型。通过三组Amazon数据集和一组Movie Lens数据集上的实验结果表明,Cro-Auto Rec能够提高评分预测以及分类的准确性,并且有效地解决了稀疏性问题。针对Cro-Auto Rec算法的不足进行改进,将显式反馈和隐式反馈融合到一起,提出了一个自编码器组的跨域推荐方法Gcro-Auto Rec。首先,两个堆叠自编码器将用户和项目评分矩阵分别映射到一个深层的低维空间,以学习用户和项目的更深层特征表示。然后,通过两个自编码器的计算分别得到一个关于用户的输出向量和一个关于项目的输出向量,并且计算它们的相似度,如果相似度越高,说明用户对物品的感兴趣程度就越高。通过Movie Lens数据集上的实验结果表明,Gcro-Auto Rec有效地解决了稀疏性问题,在排序推荐方面取得了良好的推荐效果。