随着移动互联网技术的蓬勃发展,各领域应用层出不穷,互联网信息呈现爆炸式的增长。推荐系统成为解决这一“信息爆炸”的重要途径之一,可以从海量的数据中迅速而准确地为人们挑选出需要的信息,提高人们的生活效率。虽然推荐系统可以一定程度上解决信息过载的问题,但也只是对有大量历史记录的用户有很好的推荐效果。对于一些新来的或者是不活跃的冷启动用户,推荐系统难以通过少量的交互记录捕捉其偏好。因此,迫切需要新方法来解决推荐中的冷启动问题。元学习近年来被提出并证明对少样本学习有效,这为有效解决推荐系统中的冷启动问题提供机遇。本文提出了基于软聚类和记忆的元学习模型,重点解决现有元学习方法存在的模型局部最优问题。该模型在元学习框架中内嵌了软聚类机制,对用户进行合理分组,通过记忆单元和参数门控得到个性化的初始参数,保证知识在组内相似用户之间的正确共享,仅需少量用户数据即可保证模型微调的适配性能。此外,针对跨领域的推荐场景,本文提出了一种基于软聚类和自适应的跨领域元学习模型,利用元学习方法和跨领域结合解决冷启动问题。该模型在元学习方法与跨领域结合的时候利用对抗机制实现用户源域中的域共享偏好的迁移。在用户个性化初始参数调整方面,该模型事先对用户-物品交互关系采用注意力机制获取用户表示,在元学习训练中通过软聚类实现用户动态分组,进而使用参数门控机制为用户调整模型初始参数,实现用户个性化推荐。本文在真实数据集上进行大量实验,并证明提出的两个模型能有效解决单领域和跨领域推荐系统中的冷启动问题。