当今的互联网时代,信息技术在快速迭代,推荐系统致力于帮助人们解决信息过载等问题,提高信息处理的效率的同时,也存在一些既定的问题,例如数据稀疏性、冷启动等。常用的推荐算法有基于用户或基于项目的协同过滤推荐算法,矩阵分解等,以上算法都是基于用户项目评分矩阵产生推荐。由于用户评分的客观因素,用户项目评分矩阵往往会非常稀疏,使得推荐效果不佳,进而导致用户的推荐体验较差。为了对传统协同过滤推荐算法的效果进行改进,本文基于迁移学习的思想,在域内推荐和跨域推荐两个方面对传统模型做了改进:域内的推荐模型首先会根据用户评分质量将总体划分为高质量群组和低质量群组,以矩阵分解的协同过滤为基准,将高质量群组的物品隐向量迁移到低质量群组中,以提高整体的推荐效果;跨域的推荐模型根据迁移方向不同分为基于内容的迁移和基于模型的迁移,基于内容的迁移是将域之间的共有标签主题作为桥梁连接两个域来共享信息,基于模型的迁移则是以Deep FM模型为基准,将深度模型的参数在域之间共享。分别在域内和域外都改进了传统模型后,以线性加权的方式结合两部分的模型预测结果,得到最终的基于域内外知识迁移的推荐模型（Transfer Learning Recommendation consider knowledge inside and outside the domain,TLRec-CKIOD）。为了验证本文所提出模型的效果,实证分析部分首先进行了域内的用户评分质量实验,此实验证明了在域内进行子群组间的迁移有利于提升整体的推荐效果,而后进行了域外的迁移基准模型选择实验,实验证明Deep FM模型优于FM模型、DNN模型,且其运用了迁移后的推荐效果优于单领域的推荐效果,最后进行了域内外知识迁移的模型效果验证,将本文提出的TLRec-CKIOD模型与传统的协同过滤推荐算法、域内和域外未结合时各部分改进后的推荐算法进行对比,结果显示TLRec-CKIOD模型的推荐效果要好于其他几种对比模型。最后通过该推荐算法,对特定用户产生的top10推荐列表具有较好的准确率和召回率。