移动互联时代的网络规模快速增长和业务广泛覆盖面带来了“信息超载”问题,过量消息同时呈现增加了用户获取所需信息的成本。尽管传统搜索引擎一定程度上解决了数据检索需求,但仍然无法满足不同时期、不同背景、不同目的用户的个性化信息诉求,从而不能真正高效地处理超载问题。推荐系统作为一种有效的数据过滤手段,是实现个性化推送服务,帮助用户提高决策效率,从而解决信息超载问题的核心方法。协同过滤一方面作为推荐系统的关键算法在面临稀疏数据时性能会急剧下降,另一方面超过95%稀疏度的数据在实际应用中又广泛存在。因此,如何缓解数据稀疏性导致的性能退化问题是目前推荐系统面临的主要挑战之一。近年来,一些研究人员尝试应用迁移学习方法来缓解传统单领域协同过滤的数据稀疏性并取得了重要进展。迁移学习是解决目标任务标注数据稀缺的基础方法,目前已经得到学术界的广泛关注,但其研究仍处于富有挑战的阶段。本文面向领域间无用户和项目重叠的跨领域推荐任务,系统性研究了基于评分模式分享的迁移学习在跨领域推荐中的问题挑战及其解决方法。迁移学习中,欠拟合、过拟合、不适配、非完备、负迁移等关键问题与挑战交错叠加给推荐系统的研究带来了全新的困难。首先在单源评分模式迁移中,存在目标领域的欠拟合问题;其次,在多源迁移中存在目标领域过拟合问题;不适配问题是指迁移矩阵无法自适应适配源领域数据的规模和特征,导致在源领域发生变化时,迁移学习与源领域数据的不适配问题;非完备是迁移学习中,源领域数据非完备的情况。在实际应用中,含有空白项和缺少条目的数据普遍存在,这些数据都属于非完备数据;负迁移是指源领域知识对目标领域学习任务产生副作用;本文重点面向欠拟合、过拟合、不适配、非完备、负迁移等问题挑战,分析原因并设计针对性学习方法,主要创新点包括:1.针对非完备问题,提出非完备正交非负矩阵三分解方法。通过将已有的正交非负矩阵三分解方法扩展到输入数据非完备的情况,克服了现有方法中的数据完备性限制,将跨领域推荐中迁移学习的源领域选择从完备域扩展到非完备域,扩大了源领域数据的可选范围和可用数据规模。2.针对不适配问题,提出低维表征潜在因子选择算法。根据源领域数据的规模和特征,启发式学习适配源领域的迁移矩阵,解决了以往跨领域推荐任务中,由于预设固定的迁移矩阵规模导致迁移学习与源领域数据不适配的问题。特别是当源领域发生变化时,算法帮助迁移矩阵自适应的适配变化后的源领域数据,克服了由迁移矩阵中数据平均化趋势引起的评分模式表达性衰减。3.针对欠拟合和过拟合问题,提出正则化多源迁移模型。通过迁移多个源领域评分模式,解决单源迁移模型的欠拟合问题。通过在目标领域适配中添加正则化约束,降低多源迁移中的过拟合风险,使多源迁移模型更具鲁棒性。4.针对负迁移问题,提出迁移学习后的修正学习步骤。为了实现修正学习,本文提出跨领域推荐场景修正模型,并随后扩展到多梯度层修正模型,来挖掘目标领域特有的画像、元数据、上下文、类别、属性等信息。通过对迁移学习结果中不满足目标领域特征的评分进行修正,克服迁移学习产生的负迁移现象,提高跨领域推荐的评分预测精度和推荐的准确度。5.针对某些领域内数据不含可用场景知识的情况,提出潜在因子修正模型。通过扩展已有非负矩阵分解方法为局部适配的非负矩阵分解方法,来根据目标领域已有评分,学习影响目标领域数据分布的评分潜在因子,然后对迁移学习结果依照评分潜在因子的数据分布表达进行修正学习。