推荐方法作为一种个性化的信息过滤工具,能够有效缓解智慧城市中的信息过载。但传统的推荐方法只能在单个领域中进行推荐,难以满足智慧城市中跨部门、跨业务的服务推荐需求。跨域推荐方法能够借助其它领域中的信息,辅助目标域进行推荐,解决冷启动和数据稀疏问题,从而有效满足用户多样化的需求。本文从跨域捆绑推荐和隐私保护跨域联邦推荐两个方面开展研究,实现不同领域信息的有效利用和需求的精准匹配。针对现有跨域推荐方法仅借助原域信息进行目标域上单方向推荐,且无法实现多个相关项目推荐的问题,提出了双目标跨域捆绑推荐（Dual-Target Cross-Domain Bundle Recommendation,DT-CDBR）模型。首先,在每个域中构建以用户、项目、捆绑（项目的组合）为节点的异构图,建模它们之间的交互、隶属关系。其次,使用图卷积网络处理这些关系,以提取用户和捆绑特征。再次,基于注意力机制动态调整每个域的权重,建立两个域上相同用户特征间的关系。最后,利用神经网络技术刻画用户和捆绑特征,并以此预测交互概率,实现利用双域信息的捆绑推荐。本文在真实数据集上进行了实验,实验结果表明与典型的推荐模型相比,DT-CDBR模型能够充分利用两个域上的信息,实现双向的捆绑推荐,且在模型的推荐性能上有显著提升。进一步,充分融合多域的信息能够实现更有效的推荐。针对现有跨域推荐方法无法充分利用多域信息,且域间信息的迁移也增加用户隐私泄露风险的问题,提出了 隐私保护的多目标跨域推荐（Privacy Preserving Multi-Target Cross-Domain Recom-mendation,PP-MTCDR）模型。该模型使用联邦学习技术,在多个本地域和服务器间协同训练。在本地训练阶段,构造建模用户与项目交互关系的异构图,利用图卷积网络从图中提取用户和项目的特征。为防止模型梯度泄露用户隐私,使用Rényi-差分隐私技术向模型梯度中添加噪声,实现噪声准确控制的用户隐私保护。在服务器聚合阶段,融合多个域中隐私保护的本地模型参数,实现多域信息的有效利用。各个域与服务器交替执行,协同训练一个能够保护隐私的跨多域推荐模型,满足多域融合的有效推荐。理论分析证明了 PP-MTCDR模型满足（k,∈）-RDP,能够在多域数据融合过程中保护用户隐私。并在真实数据集上进行了实验,实验结果表明PP-MTCDR模型能够充分利用多个域上的信息进行推荐,同时提高多个域上的推荐性能。