随着大数据时代的到来,推荐系统变得越来越重要。从大量输入特征中发掘与标签相关的交叉组合特征是推荐系统算法研究的一个重要方向。目前,业界发掘交叉特征的主要方法为统计机器学习算法。基于此,本文重点研究了推荐系统中不同算法发掘交叉特征的机制。本文使用交叉特征规则生成数据集进行实验。实验对象包括目前推荐系统领域的一些主流算法,目的是探究其交叉特征发掘的性能、原理和可解释性。实验结果表明目前的一些主流算法在解决发掘交叉特征问题时都存在着训练方案难以找到假设空间中最优解的问题。在决策树算法中,这个问题尤为严重,因此该类算法并不适合用于发掘交叉特征。本文创新性地从性能、原理和可解释性三个方面(目前大部分研究重点放在性能上)探究如何解决推荐系统中的发掘交叉特征问题,并给出交叉特征问题明确且合理的数学模型。该研究为业界进行推荐系统交叉特征发掘任务和学界对算法机制的理解提供了参考。