基于事件的社会网络(Event-Based Social Networks,EBSN)为人们提供了一个创建、发布和组织社会事件的在线平台,以帮助具有相同兴趣的用户进行线上和线下交互。不同于传统社会网络,该网络由事件驱动,以群组为主要活动形式,且包含线上与线下两类交互。对于该网络的群组发现和群组推荐问题,传统的方法已无法发挥作用。为此,本文着重研究基于事件社会网络的群组发现和群组推荐策略。为了解决基于EBSN的群组发现及推荐问题,首先需要提取用户的隐式偏好以及预测用户对未知事件的评分。综合考虑用户参加的线上兴趣组以及线下事件的信息,提出了基于深度神经网络的用户偏好发现策略。为实现该策略,分别使用了事件的描述文本、时间以及位置信息,以及兴趣组的标签和语义信息,并利用深度神经网络进行融合,以获得用户偏好。为了获得用户对事件的评分,本文分别提取了用户的特征以及事件的特征,并利用深度语义网络将用户特征和事件特征映射到同一空间,从而获得用户对事件的评分。针对基于EBSN的群组发现问题,提出了k-最大异构群的概念,它满足规模小、群内成员偏好相似、线上沟通和线下交互较为频繁等特征。其次,提出了基于递归的k-最大异构群挖掘算法,该算法能在指数时间复杂度内挖掘出所有的k-最大异构群。在基于递归的k-最大异构群挖掘算法的基础上,添加基于机器学习分类技术的剪枝策略。该策略在搜索时根据分类器的分类概率选择初始点,并在搜索过程中的每一步判断是否剪枝,由此获得了更高的搜索效率。最后,在真实的数据集上检验了算法的有效性。针对基于EBSN的群组推荐问题,首先对用户的反复交流过程进行了建模,并将其转化为深度神经网络并使用BP算法求解。其次,考虑到该方法网络结构复杂,训练时间长,使用AP聚类和自编码机获得合适的网络隐藏层神经元数量,减少网络复杂度,获得了更好的性能。最后,在Meetup网站的真实数据集上进行了实验,验证了算法的有效性。