推荐系统作为有效的信息筛选系统,极大地缩短了用户搜寻信息的时间,将用户从数据中解放出来。传统的推荐算法大多采用单领域推荐和基于评分数据的推荐,存在严重的数据稀疏和冷启动问题,跨领域推荐和基于评论文本的推荐能有效缓解这些问题。目前主流的跨领域推荐模型主要从用户评分数据获取用户特征,却忽略了信息更加丰富的用户和项目评论文本,导致模型很难准确学习到用户的喜好信息。为解决上述问题,从以下几个方面展开深入研究:1.为缓解推荐模型存在的用户稀疏和冷启动问题,出了一种基于自注意力机制的跨领域推荐模型。使用Word2Vec预处理用户和项目评论文本,生成评论词向量,使用自注意力机制取用户和项目特征,通过迁移学习在目标领域进行特征融合和评分预测。实验结果表明,通过评论文本所取的特征包含更多的用户和项目信息,相比于单领域推荐模型和基于评分数据的跨领域推荐模型具有更好的推荐效果。2.为缓解新用户可能在源领域和目标领域中数据都较为稀疏的问题,在基于自注意力机制的跨领域推荐模型基础上再融合相似用户的特征信息,出了基于相似用户的跨领域推荐模型。通过目标用户的评分数据筛选出相似用户,生成辅助评论文本文档。在用户和项目特征取阶段,额外对辅助评论文档进行特征取,得到相似用户的偏好特征。由于相似用户的特征具有不确定性,需要通过抽象层和过滤层取有效特征,再与目标用户特征融合,保证推荐的准确性。实验结果表明,在数据较为稀疏的情况下,增加相似用户的模型在MSE值和MAE值上均有升,具有较好的推荐效果。3.设计并实现基于迁移学习的跨领域推荐算法的电影推荐系统。该系统以基于迁移学习的跨领域推荐算法模型为核心,实现了用户偏好分析、电影分类、推荐模型自训练、推荐预测等核心功能,解决了用户兴趣预测、电影推荐、电影评估等问题。