随着在线社交网络的迅速发展,在线用户信息的数据量呈爆炸式增长,如何从数据中提取有用的信息并利用这些信息为用户提供个性化的推荐逐渐成为研究热点。目前已经涌现出了许多向社交网络用户推荐符合他们兴趣的信息的个性化推荐系统和方法,然而传统的单域推荐方法通常会受到信息稀疏性问题以及推荐冷启动问题的影响,对稀疏性以及冷启动问题的解决能力是有限的。由于互联网用户通常会接触多种不同类型的社交网络,结合网络间信息进行跨域推荐解决传统的单域推荐方法面临的稀疏性问题以及冷启动问题,近年来引起了大量的关注。跨域推荐算法除了使用用户反馈信息等来自推荐目标网络的信息之外,也可以将来自外部网络的辅助信息迁移到目标网络来解决推荐问题,从而提高推荐效果。在不同的网络应用平台中,通常会存在完全或部分重叠的用户和项目,通过充分挖掘这些重叠用户的行为模式,可以进行不同社交网络平台间的异质信息迁移,从而丰富目标社交网络的信息。然而,跨域推荐在解决如何通过重叠用户联合不同网络之间的信息时,也面临一些问题,比如由社交平台不同带来的信息异质性。信息异质性主要是由于不同的域的功能和焦点不同引起的,这导致用户在不同域上的行为模式包含平台特定因素;此外不同平台中的信息粒度存在差异,比如标签的分类细致程度、内容文本信息的长短等等。针对以上问题,本文提出了一种基于异质信息迁移的跨域推荐算法HITCDR,分别从两个方面对跨域推荐效果进行改进。首先提出一种通过域间用户对齐算法RPSUA来解决跨域推荐中域间映射函数训练时重叠用户数据量不足的问题;然后提出一种区分域共享特征与域特定特征的信息迁移方法。本文完成的主要工作如下:（1）首先通过矩阵分解在单域生成用户潜在表示,同时结合生成的用户-项目交互矩阵来用于计算用户之间的相似度,并根据相似程度构建用户相似关系网络;然后将源域和目标域的用户表示投影到同一表示空间;最后将投影后的表示结果相近的用户对标记为隐式重叠用户,结合已经识别出的显式重叠用户一起用于之后的特征区分阶段和跨域用户表示映射阶段,来增强跨域映射函数的泛化性能;（2）然后通过基于域分离网络的特征区分模块提取用户单域表示中的域共享特征和域特定特征,并以此来对两种不同类型的特征进行不同粒度的映射;在得到域特定特征映射网络与域共享特征映射网络后,将源域非重叠用户的单域表示作为输入并生成非重叠用户的目标域表示;最后使用新生成的用户表示还原预测的评分矩阵,并为源域非重叠用户推荐目标域项目。本文先对现有的跨域推荐算法进行分类和介绍,通过对已有的算法进行研究和分析,为之后本文的跨域推荐算法设计奠定了基础。然后详细介绍了本文提出的跨域推荐算法HITCDR,并给出了本文方案的设计与实现,最后在真实的亚马逊数据集中验证了本文方案的有效性并给出了评估分析。