随着互联网的发展，推荐系统作为一种个性化的个人信息过滤系统变得日益重要，使得用户能够在海量数据中，迅速获取自己需要的信息。现有的推荐模型更多建立在单一域的用户信息之上，利用矩阵分解得到潜在向量，之后做出预测。然而用户不同域之间的数据往往不是独立的，并且在利用主题模型对用户评论建模时，更多的是简单将主题因子加入到潜在向量中。　　引入跨域思想(Cross-domain)，并充分利用用户的评论信息，本文提出了基于隐式主题和隐式因子的跨域推荐模型（Cross-domain Recommendation Modelbased on Hidden Factors and Hidden Topics）。首先，利用主题模型建立潜在向量与主题因子之间的映射关系，将用户的评论信息作为反馈引入到传统的概率矩阵分解模型当中，完成对单一域之上的建模;之后，通过建立不同域之间潜在用户向量的非线性映射，将不同域结合起来，形成跨域;最终，利用训练得到的潜在向量进行分数预测。　　论文在国内知名的推荐领域网站豆瓣网的数据集上进行结果分析和对比实验。实验结果表明，相较于传统的单一域推荐模型，本文模型在相对较为稀疏的数据集上，预测效果有了明显的提升。