随着互联网的全面覆盖,大量数据持续产生并积累,导致人们很难快速准确地获取自己需要的信息。推荐系统在一定程度上可以过滤掉大量无用信息,但是传统单领域推荐系统存在冷启动和数据稀疏性问题,导致推荐准确性不高,针对性不强,影响了用户体验。随着各种功能的社交平台、电商网站以及相应的应用层出不穷,人们越来越多的参与到多个兴趣领域,留下了丰富的用户行为数据,若能适当地整合这些数据,使得多系统间信息可以共享和互相补充,就可以完善用户模型,实现更好的推荐效果。跨多领域推荐可能存在的商业潜力,以及领域间信息整合和迁移的挑战,驱动了专家学者们对其广泛而深入的研究。国内外的许多专家学者根据具体的推荐任务,已经对跨领域推荐方法进行了广泛而深入的研究和应用。其中存在两种典型的推荐场景:(1)各系统间存在共享的用户信息;(2)各系统间既不存在共享的用户信息,也不存在共享的项目信息,但存在某种基于上下文的相似性和相关性。针对以上两种跨领域推荐场景,目前学者们已提出了一些解决方案,但总体看,仍然存在以下不足:(1)针对场景一,多个系统以用户作为关系桥梁,共享了大量的用户信息,如何通过有效的方法,从这些信息中更全面地抽取和统一多元用户特征,并适当整合,从而为用户提供更优质的个性化推荐服务,还有待进一步探索;(2)针对场景二,如何充分利用系统间上下文的相似性和相关性来建立系统间关系桥梁,从而借助用户较活跃系统中的稠密数据,来提高用户不活跃系统的个性化推荐服务质量,还有待于提出更有效的方法。针对以上问题,本文开展了如下研究工作:(1)利用多系统间共享的用户信息,提出了归一化块拉普拉斯矩阵聚类的多层网络社区检测方法来实现跨领域推荐。由于多源用户行为数据的异构性,同时考虑到用户行为在受到自身兴趣驱使的同时,通常还会受到社会群体行为的推动,该方法通过机器学习等方法抽取和统一多元用户特征,并借鉴单领域推荐常用的协同过滤思路,使用多种用户特征分别构建用户相似性网络,从而在多层网络上发现用户兴趣社区来实施协同过滤推荐,同时还计算了各层网络间的相关性权重。(2)利用多系统间存在的上下文信息相关性,提出了基于系统上下相关性的跨领域推荐算法。受到基于上下文感知高阶张量分解方法的启发,同时考虑到系统间可能存在上下文信息的相似性和相关性(如用户群年龄分布相似,项目的标签语义相关等),从稠密数据集中学习潜在因子,然后迁移到目标领域实施评分预测和项目推荐,这样,不活跃的系统就可以借助活跃系统的数据来提高自身的推荐效果。该算法还引入了一种低秩近似的方法来对张量维度进行截断,有效解决了跨领域潜在因子迁移过程中的张量维度不对齐问题。研究结果表明,基于多层网络社区检测的跨领域推荐算法,能融合多元用户特征,有效发现用户兴趣社区,并计算出多元特征间的关系权重,其在推荐准确率方面不仅优于单领域推荐算法,而且优于将多网络加权融合为单网络的社区发现跨领域协同过滤推荐方法;基于系统上下相关性的跨领域推荐算法,通过利用系统间的上下文相关性,可以有效地从数据密集的辅助领域学习潜在因子,用于目标领域的推荐,较单领域推荐算法效果更优。