互联网时代下,个性化推荐系统的发展有效缓解了海量信息所带来的信息过载问题,但当前的推荐研究也存在一些问题:一方面,研究多集中在单平台推荐当中,而现实世界中人们往往会同时注册和使用不同的互联网平台,如美团外卖和饿了么等,使得用户的数据分散在不同的平台上,导致单一平台的用户数据不完整甚至出现严重的数据稀疏和冷启动问题,为此跨平台推荐研究被提出用于解决单平台中的上述问题;另一方面,传统研究多从用户-项目的二元关系入手,很少考虑用户所处的上下文信息和用户行为之间的关联,使得推荐效果在实际应用中并不理想。为了解决以上问题,本文针对酒店推荐应用场景,结合上下文建模技术、跨平台推荐方法和迁移学习提出价格偏好感知的推荐模型和基于迁移学习的跨平台推荐模型。本文的具体工作如下:(1)提出价格偏好感知的推荐模型:目前在推荐领域,很少发现有将用户的价格偏好作为推荐的上下文进行研究,即在推荐过程中将所有用户的价格偏好视为相同,导致向用户推荐的商品与用户的价格偏好并不匹配。因此本文基于用户酒店消费行为数据对价格偏好进行建模,并通过建立价格偏好感知的推荐模型挖掘用户价格偏好和商品选择间的内在联系,生成同时考虑用户-项目-价格偏好的酒店推荐。(2)提出基于迁移学习的跨平台推荐模型:为通过平台间的知识迁移和共享提升目标平台的推荐效果,本文以不同平台之间的重叠用户为桥梁,提出两种不同的知识迁移策略:(1)上下文特征迁移:将数据量更丰富的源平台中学到的上下文特征迁移至目标平台推荐模型中;(2)共享潜在特征:以用户在源平台的潜在特征为先验知识,进行不同平台之间用户潜在偏好、用户协同关系等的知识迁移,并且基于两种迁移策略提出多种跨平台推荐模型。(3)酒店领域真实数据验证模型效果:基于真实酒店领域消费数据和用户评分数据对本文提出的价格偏好感知的推荐模型、跨平台推荐模型效果进行验证。本文通过多组实验证明,与不考虑上下文信息的推荐算法相比,价格偏好感知的推荐模型可以获得更高的预测准确率;与单平台推荐以及其他先进的跨领域算法相比,本文所提出的跨平台推荐模型不仅能够通过知识迁移提高预测准确率,还能有效提升模型的学习效率,加快模型收敛速度;实验还发现共享潜在特征的迁移策略比仅利用上下文特征迁移能够获得更高效的知识迁移。