互联网的飞速发展,能够为用户提供海量信息,满足用户在信息化时代对信息的需求。然而,互联网在为用户提供海量信息的同时,也带来了信息超载的问题,导致用户难以在海量的信息中找到自己真正所需要的信息。推荐系统现已成为解决信息超载问题的有效途径,用户无需手动搜索,系统会根据用户的历史行为信息,分析用户喜好,根据用户的喜好向用户推荐用户可能会感兴趣的信息。在推荐系统的发展过程中,协同过滤算法以其独特的优势被广泛应用于各个领域中,尤其是在电子商务领域获得极大的成功。传统的协同过滤算法依靠用户的评分信息来推断用户偏好,然而,在实际的推荐系统中,用户往往不喜欢对物品评分,尤其是那些用户不喜欢的物品。这就导致根据用户评分信息生成的评分矩阵不但稀疏而且出现评分偏置的现象,而之前的推荐算法无法有效的解决稀疏性和评分偏置问题。因此,本文提出了一种基于特征传递和不平衡分类(FTIC)的跨域推荐算法用来解决传统推荐系统中的数据稀疏和评分偏置问题。首先,将目标域中原始的推荐问题转换为不平衡分类问题,具体是将用户和项目在用户-项目评分矩阵中的位置作为特征向量,其对应的评分作为标签。利用Funk-SVD模型从辅助域抽取有用的用户特征信息,以及从维基百科中抽取项目特征信息用以缓解目标域的稀疏性问题。最后,采用不平衡分类模型(Ada Boost.NC)来解决所获得的不平衡分类问题。另外,本文还提出一种基于特征匹配的跨域推荐算法应用于开发者推荐任务,从而解决开发者推荐中的数据稀疏问题。首先,对爬取的数据集进行预处理,计算目标域开发任务与辅助域开发任务之间的相似度,找到辅助域开发任务中与目标域开发任务最相似的一批任务。之后,查找到这批辅助域开发任务相应的开发者,计算这些辅助域开发者与目标域开发者之间的相似度,最为相似的开发者将推荐给当前的目标域开发任务。为了验证本文提出的两种算法的有效性,本文进行实验并对比多种先进的单域和跨域推荐算法,利用不同的指标对模型进行评估。实验结果表明,两种算法各自在不同的评估指标方面相较于之前的算法都具有一定优势。