随着信息技术和互联网技术的快速发展,大量信息不断涌现。这给人们带来便利的同时也使得人们越来越难以从批量信息中找到自己想要的信息。个体推荐系统是一种有效地解决信息过载现象的工具,可以根据用户的兴趣偏好和历史购买记录为用户推荐可能感兴趣的商品或信息,它的出现极大的缓解了信息超载的状况。显然个体推荐针对的是个体用户,对于想要一起进行群体活动的群体用户,难以发挥效用。于是群体推荐受到大家的关注,并且很多人开始致力于研究群体推荐系统。群体推荐研究如何从批量信息中选取群体用户需要的信息,比个体推荐更复杂,需要解决的问题也更多。群体推荐能够有效地解决群体社交活动问题,因而存在着广阔的应用前景。但是现有的群体推荐研究是很不完善的,没有考虑用户所处的上下文情境信息。这些上下文信息包括用户访问系统的时间、地点、心情等,对于提高推荐系统的推荐质量是非常重要的。时间情境是其中最重要的一种信息,对用户兴趣有着深入而广泛的影响。因为用户兴趣是时刻变化着的,对物品的偏好有季节效应,而且物品也是有生命周期的。如果我们要准确预测用户现在的兴趣,应该更加关注用户最近的行为而不是公平对待用户的每一个行为。因此,本文将时间情境作为影响群体推荐结果很重要的一个因素。因为群体打分在很多推荐系统中难以得到,所以我们定义了公式来得到群体打分,然后利用模态符号数据分析方法建立群体模型,从而提出了一种全新的群体推荐算法。在此算法中,用户评分时间越久的项目对用户的兴趣影响越小,对于不同的个体打分和群体打分,给予不同的权重。然后运用协同过滤算法找到群体的个体用户邻居,进而为群体用户产生推荐列表。利用movielens数据集进行了一系列的实验之后,表明本文提出的算法能够反映群体兴趣,而且不管是准确度还是覆盖率,本文提出的算法都能够很好的为群体用户数量多的群体产生有效的推荐。