随着信息化和大数据时代的进一步到来,日益扩大膨胀的信息和数据已经充斥着人们生活的方方面面。为了高效和准确地获取信息,推荐系统成为了人们日常生活中不可或缺的工具。当前,大多学者对推荐系统的研究主要是针对单一领域推荐性能的提高。这种推荐系统大都存在着数据稀疏性的问题,很难精确地建模用户的兴趣。事实上,用户的信息通常是跨平台或者跨领域的,因此不同领域的信息可以相互共享和互为补充。但是针对一个特定的推荐任务,不同领域信息的重要程度是不同的,基于注意力机制的推荐算法能够对不同的信息赋予不同的重要性,使得模型的注意力聚焦在重点特征或重要信息上,并且降低其他无关特征的作用。鉴于此,本文提出了两种基于注意力机制的跨领域推荐模型。一种是基于对抗自适应和注意力网络的跨领域协同推荐模型（DAAN）。该模型同时考虑了源领域和目标领域间领域共享和领域私有的知识。在这个框架中,我们设计了一个私有编码器和一个对抗编码器,分别提取两个领域的私有特征和共享特征,并使用注意力网络将它们紧密地耦合起来。特别地,在对抗编码器中,我们利用深度对抗自适应来捕获两个域之间公有用户的共享特征。实验中,我们基于Amazon评分数据集构造了三个跨领域推荐场景,来验证DAAN模型在Top-N推荐任务中的有效性。实验结果表明DAAN模型的推荐性能显著优于实验中使用的单领域、跨领域和基于对抗学习的推荐算法。另一种是基于辅助评论和两层注意力网络的跨领域推荐模型（RACDR）。为了更准确地进行用户的兴趣度建模,我们结合了评论信息。在这个框架中,我们设计了一个私有编码器和一个辅助评论编码器,前者用于提取目标领域用户和项目的特征,后者用于提取源领域的用户特征。特别地,在辅助评论编码器中,我们考虑了用户评论文档中每条评论的对于用户偏好建模的重要程度,利用注意力网络自动地进行权重分配。在模型的顶端,我们堆叠了一层新的注意力网络来获取源领域和目标领域用户特征的重要程度。实验中,我们基于Amazon评论数据集构造了一个跨领域推荐场景,并验证了RACDR模型在评分预测任务中的有效性。实验结果表明RACDR模型的推荐性能显著优于实验中使用的对比算法。