我们现在处在一个高度信息化的时代,信息推荐系统是帮助用户从较为广泛的信息海洋中寻求出较为准确的数据的时代产物。信息推荐系统主要根据已有的用户历史信息来对未知信息进行预测。但由于现实中用户的活跃度较少问题使一个数据集往往过于稀疏,仅凭已有的信息无法对用户行为进行准确的追踪预测。而如何通过整合多个数据集合的信息来进行商品推荐自然而然成为了近来的热点研究话题。现在已有许多跨域推荐算法都被用来设计解决这一问题。这些算法本身又可以被划分为基于文本信息和基于协同过滤两种类型。本课题的主要任务是提出一个新型的基于协同过滤算法的跨域推荐算法模型,另外尝试性地去整合基于概率型推荐系统的结果以便更好地预测用户行为。论文内容主要包括：1、简要介绍推荐系统的相关算法模型。2、对于潜在因式模型在单域以及跨域的算法模型进行了阐述。3、介绍本文所设计的新型跨域推荐算法的推导过程。这种新式模型对于多个相关数据集,既考虑它们之间的相同因素也考虑有差异的信息。4、对于评分矩阵算法模型在单域上运用进行尝试,并通过基于系数的推荐算法进行联合化的信息推荐。