随着网络和智能设备的不断发展,互联网上的信息也越来越丰富和多样,人们可以在网络上获得各种各样的信息和服务,同时人们逐渐发现要在网上找到符合自己需求的东西也越来越麻烦,早期搜索技术可以满足人们这一需求,但是由于它的结果不够“个性化”,不能满足不同用户的个人偏好需求,因此个性化推荐技术开始被发现并应用于各个领域,专注于利用各种算法挖掘用户的个性化偏好。传统的推荐技术仅仅基于单一数据源,单一领域进行推荐,无法较好的处理数据稀疏性和用户冷启动问题。结合当前多源数据广泛存在的情况,为缓解数据稀疏性问题和用户冷启动问题提出多个模型。针对单域数据的稀疏性,提出多种多源数据下的跨域推荐模型,分别融合了用户相似度矩阵,用户预测结果,用户全局行为对用户进行评分预测,针对多源数据中单域的用户冷启动问题,提出了基于跨域协同过滤和关联规则挖掘的推荐模型,在传统跨域协同过滤的基础上,以关联规则进行第二次过滤。经过在豆瓣数据集对提出的模型进行检验,可以发现,相比传统单域推荐算法,融合多源数据信息的跨域推荐模型在推荐效果上有所提高,可以有效缓解单域数据的稀疏性。在对新用户进行推荐时,提出的关联规则跨域推荐算法相比于传统的流行度推荐和跨域协同过滤推荐,在预测准确率上有所提高,有效的缓解了推荐系统的用户冷启动问题,可用于提高当前推荐系统的推荐效果。