当今世界互联网的快速发展给人们的生活带来了很多便利。其中最重要的一点是方便了信息的分享和传播,具体体现在提高了消息传播的效率。但是互联网的这种便利也造成了信息过载的问题。网络可以用来来购物,交友,娱乐,浏览新闻,但是在大多数的应用场景中,人们总会被很多无价值的信息干扰,特别是当人们需要及时获取感兴趣信息,比如电影,还有志同道合的朋友的时候,这种干扰会严重影响用户体验。在搜索引擎的帮助下,人们能够快速地根据自己的意愿寻找有价值的信息,但是当需求很难明确的情形下,就需要推荐系统的帮助。现在人们的需求是多元化的,比如在看到一个好的小说改编的电影之后也会有兴趣去读对应的小说,网络个体也许会对某一社交圈中的好友喜爱的新闻感兴趣。本文将对这些在不同领域中出现的数据和信息进行分析和研究,并发掘它们的用途。本文将针对多域数据集中的信息挖掘和聚类的方法进行研究,进而研究跨域推荐的方法。我们提出了OVCLDA算法来同时处理分析多个领域的数据,并将根据数据的隐含主题进行聚类,从而可以打破域的限制。我们的模型可以求出特定单词在隐含主题上的多项分布,同时也可以得到单词到各个域上的多项分布。在这个模型中,域之间的信息可以跨域共享也可以保留各自独有的特征。同时这种算法引入了在线学习的思想,能够处理流式的数据,算法效率对比基于蒙特卡洛方法的吉布斯采样有了很大的提高,这也就使得这种方法在当前这个大数据时代是十分实用的。主题模型在分析文本数据时有着很强大的能力,而基于主题模型的各种改进模型同样也有这样的能力。不过在常见的推荐应用场景中,更多地是处理用户对于物品的打分数据,并预测用户对未打分或未产生行为的物品做出合理的预测。在推荐系统的常见算法中有一种隐语义模型,这种模型本质思想与主题模型是一致的,都是挖掘表面数据背后隐藏的特征和联系,将高维度的信息用低维的隐特征来表示。我们对已有的一种传统的矩阵分解算法进行了改进,进而命名为DSSCM模型,从而可以在跨域推荐的问题中一定程度上解决传统单域推荐经常遇到的数据稀疏的问题。最后,我们做了大量实验,实验的结果也使得算法效果达到预期。所以主题模型和与之本质思想类似的隐语义模型能够有效地分析离散的,多域的数据集,并在互联网时代有着广阔的应用前景。