在当今信息大爆炸的时代，各式各样的信息令人目不暇接。这不可避免地导致信息过载，使得人们在检索自己感兴趣的信息时存在一定困难。因此个性化推荐系统的重要性不言而喻。现有的推荐算法大多数都基于协同过滤，而协同过滤算法的主要不足之处在于其难以应对数据稀疏性问题。此外，协同过滤算法仅利用用户与物品的交互信息进行建模，其所挖掘的隐式信息仍不够充分。大多数相关方法仅关注显式或隐式信息中的一种，导致推荐的准确度并不高。
　　针对上述问题，提出了一种基于数据集成和深度协同交叉网络的推荐算法。首先利用用户对物品的评分以及物品的标签信息计算用户对于标签的偏好，据此预测用户对物品基于偏好的印象分。然后从已有数据中挖掘出用户的社交关系信息，具体做法是先计算用户相似度，随后为每个用户定义可信用户集，通过计算第三方评分者与该可信用户集的相似度，预测出用户对物品基于社交关系的印象分。最后将上述两种印象分进行加权平均，得出社交偏好综合分，实现数据集成。
　　在网络结构方面，将现有的协同交叉网络与基于深度矩阵分解的神经网络进行融合。融合后的网络通过任务关系矩阵实现两个基础网络之间的知识迁移和共享，并以完全相同的用户集和互不相交的物品集作为两个基础网络桥接的工具。最终，在推荐结果不重复的前提下，两个基础网络在训练时能够相互协作。
　　在推荐系统常用数据集MovieLens和Book-Crossing上进行实验，评估了算法在Top-K推荐中的命中率以及推荐列表排序质量。此外还评价了评分预测的效果，并验证所提出的方法在关于推荐的各项常用评价指标上均优于当下前沿的推荐算法。最后对方法中涉及的超参数进行了敏感性分析，并得出使方法能够发挥最佳性能的超参数的取值。