随着互联网技术和科技产业的飞速发展,人们越来越多的行为被记录了下来。在当下的互联网环境中,推荐系统的应用在互联网产品中是不可或缺的一部分。通过采集用户的在线行为(如点击、评分、购买)来生成用户的个性化推荐,不仅可以解决信息过载问题,而且可以使用户有更好的平台体验。传统的推荐系统中普遍存在着用户数据稀疏和冷启动问题,而跨域推荐则是针对这一问题的重要研究方向。随着互联网产品的普及,用户的跨域信息得以利用,这为跨域推荐的研究带来了机遇。针对不同领域的多源数据,如果能使用高效的模型充分挖掘用户的全局偏好信息,降低噪声值来提高推荐质量,解决单域推荐中的数据稀疏和冷启动问题,进而产生巨大的价值。因此本文将跨域推荐作为研究内容,具体通过深度学习来构建跨域推荐模型。本文的工作如下:1.对推荐系统中的数据稀疏和冷启动问题进行了研究,基于改进的隐语义模型和变分自编码器模型,提出了利用不同领域内的重叠用户存在关系的跨域推荐算法CDVAE,通过矩阵分解的方式提取辅助领域和目标领域的特征表示,并构建辅助领域到目标领域的贝叶斯特征生成模型,并且在生成模型中融入降噪声处理,模型利用深度学习捕捉了更复杂非线性映射,通过调整不同领域之间的知识转移比例获得推荐预测,一定程度上解决了冷启动用户的特征缺失的问题。2.研究初始推荐列表的重排序对推荐准确率的影响,充分考虑数据稀疏和冷启动的用户在不同领域中的信息,并基于MLP模型和注意力机制,提出了基于深度学习的跨域重排序算法CDTR。CDTR构建用户在不同领域的历史项目特征映射,在用户特征和项目特征中引入用户全局的历史行为特征;通过编码推荐列表的位置信息并结合注意力机制来建模用户的深度特征表示,最后生成用户的重排序列表。CDTR在利用用户全局的历史行为特征的基础上,使注意力机制能够多视角的建模用户偏好。3.通过合理的实验设计,与其他的跨域推荐算法进行对比,并在真实数据集上验证提出的CDVAE算法和CDTR算法的准确性,对实验结果进行了大量的分析。4.基于提出的跨域推荐算法设计并实现了跨域推荐系统,针对传统推荐系统的单点故障、不易扩展和高耦合性的问题,采用微服务的设计理念拆分功能到多个服务中,并对其中的各个模块的设计做出了详细的分析和解释。