随着网络的高速发展,用户在网络上的足迹记录越来越多。为了提高用户的体验,满足用户的个性化需求,个性化推荐系统被提出来。传统的推荐系统都是在单域中进行推荐,会面临冷启动与数据稀疏的问题。跨域推荐的提出,实现了可借助其他域中的数据为用户进行推荐,解决了单域推荐系统中存在的冷启动与数据稀疏问题。但随着用户在网络上的交互越来越频繁,越来越广泛,用户在不同域之间的兴趣会产生影响,这时候,跨域推荐不仅仅是作为纯粹的辅助推荐,而是有了具体的实现场景。本文解决的问题基于以下场景,用户先在源域中对某些商品有明确的兴趣表达,随后可能会将这种兴趣转移到其他域中。以追星者为例,其前一段时间看了大量某位明星的相关影视后,对其感兴趣,成为了其粉丝,为了更好地支持该偶像,其会在近期购买该明星的相关的杂志。即用户的短期兴趣可能与其在其他域中的短期兴趣有关,并由其他域中的短期兴趣转移而来。基于此场景,本文提出了基于时间感知的跨领域商品推荐,时间感知用于探究上述场景中的兴趣转移和跨领域推荐。本文的主要工作如下:首先,提出了基于时间感知的跨领域商品推荐模型,该模型主要分为四个模块,用户和商品向量表示,基于时间感知特征构建数据集,用户短期兴趣建模,跨域兴趣转移。用户和商品向量表示模块使用矩阵分解与贝叶斯个性化排序获得用户与商品的向量表示。基于时间感知特征构建数据集,根据预先设定的时间感知参数划分训练数据集。用户短期兴趣建模中使用门控循环单元将用户短期商品序列建模为用户兴趣表示,并与用户的向量表示拼接,得到用户的短期兴趣表示。跨域兴趣转移模块中将用户的短期兴趣表示通过多层感知机映射得到其在另一个域中的短期兴趣表示,以此为该用户在另一个域中推荐商品。其次,本文通过实验探究不同时间感知特征组合的效果,为用户不同域中短期兴趣形成与兴趣转移的特点给出合理的解释,并在最优时间感知特征组合划分的数据集基础上与基准模型进行比较,选取亚马逊评分数据作为数据集,以准确率和召回率作为评价指标,从结果上看,本文模型在特定场景域组合下,多个指标的表现优于基准模型,表明本文提出的模型是有效的与可行的。最后,本文基于上述场景及模型进行了相应的系统设计,该系统以电影与书籍两种商品为基础,在实现了基本的电影书籍查看及评分功能的基础上,以本文模型为主要模型实现了根据用户在一个域中的最近商品交互序列,为用户在另一个域中进行商品推荐的功能。