数据稀疏问题是推荐系统重要的挑战。跨域推荐作为一种有效的解决方法,受到了越来越多研究者的关注。多数跨域推荐算法或是仅利用用户对项目的评分数据,受限于评分矩阵的稀疏性;或是利用了某一类文本数据,未能充分挖掘出评论文本和项目内容数据中的信息。基于此,本文研究了如何有效利用多个领域的评论文本和项目内容数据进行跨域推荐的问题,提出一种基于并行神经网络的跨域推荐模型,缓解了数据稀疏的问题,提高了推荐的准确性。本文的主要工作概括为以下三点:（1）提出一种基于门限循环单元和因子分解机的单域推荐模型（Gated Recurrent Unit and Factorization Machine based Single-domain Recommendation,GRU-FM-SDR）。该模型采用门限循环单元从评论文本中提取出用户的特征,从项目内容数据中提取出项目的特征,并通过因子分解机建模用户特征和项目特征之间的交互关系,进而预测评分,为用户提供推荐。（2）提出一种基于并行神经网络的跨域推荐模型（Parallel Neural Network based Cross-domain Recommendation,PNN-CDR）。该模型利用深度学习技术将多个领域中的用户评分、评论文本和项目内容数据进行了合理地融合,可以从多个领域的数据中学习用户和项目的特征。PNN-CDR包含多个并行的神经网络,其中一个用户神经网络对用户特征进行建模,其余的多个项目神经网络对多个领域中的项目特征进行建模,通过多领域共享用户神经网络的方法实现跨域知识迁移,提高推荐准确性。（3）设计实验证明本文提出的PNN-CDR模型在评分预测准确性和结构设计合理性等方面的优越性。实验结果表明,PNN-CDR模型在均方误差和平均绝对误差这两个评价指标上均优于各对比方法,尤其是在目标领域数据稀疏的情况下。此外,本文设置实验对模型中各个模块的有效性进行了探究,验证了 PNN-CDR模型中所采用的文本嵌入层和评分预测层的有效性。