随着社交网络服务平台规模的不断扩大,用户难以完整浏览并快速发现自己感兴趣的信息和服务。用户不仅期望能够快速有效获取信息,还希望系统能进行智能化的推荐。为了提升用户的使用满意度,帮助用户实现信息的过滤、筛选及自动化推荐的需求,各种对应的个性化推荐算法不断涌现。在单平台社交网络推荐研究领域,通常通过提取用户的行为模式对其进行推荐。为客观全面的反映用户的兴趣爱好、社交关系等属性,需要对跨社交平台的用户行为数据进行建模。因为用户的行为是丰富多彩的,跨社交平台用户存在不同的行为模型。同时,单一平台的新用户由于数据的稀疏性,所以存在着冷启动问题,现在通常采用用户对话的方式存在着耗时过长和效率低下的困境。本文结合跨平台社交网络用户的特征,提出了跨平台的用户实体解析SPST算法;提出了两种基于迁移学习思想的聚类改进算法（AT-MEC算法和TF-KPC算法）,更有利于处理社交平台中的聚类和社群划分任务;提出了一种基于跨平台社交网络用户推荐HCPUR模型,更加准确地对用户进行推荐。提出了一种基于跨平台的LLS推荐算法,应用到了商家推荐中,很好地解决了冷启动和数据稀疏性问题。本文的主要研究贡献体现在:本文提出的提出的实体解析算法,为跨平台社交网络中的用户多重身份识别、消除平台之间的信息孤岛找到了有效的解决方案。在深度融合用户在跨平台社交网络中的异构信息源的基础上,提出了一种新型的基于跨平台社交网络用户推荐模型。将用户的跨平台的行为模式进行融合,相对于单平台用户推荐模型可以更加全面准确地刻画用户行为,提升了社交网络用户推荐的准确率,提高了社交平台对用户的黏性和用户的使用体验。将基于跨平台个性化推荐算法应用到了商家推荐平台中,实现迁移学习将辅助平台的数据迁移到目标平台,很好地解决冷启动和数据稀疏性问题,完善了用户行为预测和相关的推荐任务。