网络信息日益膨胀,信息过载问题也日益严重,推荐系统逐渐成为解决这一问题的重要途径。单领域推荐往往会受到数据稀疏和冷启动等问题的影响,因此跨领域推荐成为了推荐系统中一个新的研究分支。在现实生活中,相似的用户可能在不同的领域有相似的品味,这使得跨领域推荐成为一种很有前景并且非常实用的推荐技术。然而,由于负迁移的存在,我们在如何联系用户在不同领域的交互行为,以及如何充分利用辅助领域来帮助用户完成目标领域的推荐任务上仍面临着严峻的挑战。针对共享用户,本文构建了一个基于对抗迁移学习的深度网络模型。该模型通过对抗网络学习到领域不可分的通用特征,并且依靠共享用户来捕捉跨域项目之间的相关性,从而做到更有效的跨领域知识迁移。此外,我们在该研究工作的基础上,进一步探索了用户的美学偏好对跨领域推荐的积极影响。美学偏好因人而异,但相同或相似用户在不同领域的审美行为可能会保持一致,因此它可作为连接源域和目标域的桥梁。我们利用美学网络从多媒体信息中捕获到用户的美学偏好,将源域和目标域的项目上升到美学层次,做到更有效地将领域共享特征提取出来进行跨域迁移。最后,针对领域间共享用户较少场景中对冷启动用户的推荐,我们提出基于半监督学习的深度迁移学习模型。该模型同时考虑了用户与项目之间的关系以及用户与用户、项目与项目之间的相似性,基于半监督学习在源域和目标域之间进行深度跨领域映射。该方式除了共享用户外还利用了项目以及非共享用户,使得领域间共享用户较少场景中的冷启动用户推荐性能进一步提高。本文在真实数据集上对所提模型进行实验验证,结果表明了针对共享用户和冷启动用户的跨领域推荐方法分别都在相应的跨领域推荐问题上具有较好的效果。该研究成果对相关的研究工作具有一定的参考价值。