随着互联网技术的飞速发展,为了应对网络上急剧增长的服务数量,满足不同用户个性化需求的推荐系统应运而生。传统的推荐系统较少考虑用户所处的上下文环境,而上下文信息对推荐系统的精确度和用户满意度的提升已得到充分验证。此外传统的推荐系统往往只针对单个用户,无法处理现实生活中的用户群组,另有研究表明将单个用户放入群组中能获得良好的推荐效果,因此本文对结合上下文的群组推荐开展了研究工作。主要工作如下:首先,从用户群组发现角度,本文主要针对现有群组发现方法中存在忽略用户倾向具有时间迁移性和群组可重叠性展开研究,提出了一种基于密度峰值聚类的动态群组发现方法。该方法首先通过动态泊松分解得到量化的用户动态倾向,然后通过高阶奇异值分解预测不同的时间上下文下用户对不同项目的倾向,最后根据计算所得的用户倾向构建高相似度用户集合,并利用改进的基于密度峰值的聚类算法对用户集合进行划分,实现群组发现。仿真实验结果表明,本文提出的群组发现方法具有更好的群组推荐效果。其次,从群组推荐的角度,提出一种基于核心用户群组和重启随机游走模型的群组推荐方法。从群组中挖掘满足最大覆盖率和最小倾向偏差的核心群组代替原有群组,然后通过重启随机游走模型获得核心用户群组与各项目间的偏好关系,最后利用偏好融合策略获得群组推荐结果。仿真实验的结果表明,本文提出的方法降低了计算复杂度,过滤了大量用户的干扰数据提高了推荐效果,同时有利于合理的推荐冷门项目。最后,本文基于以上的方法与理论,构建了基于群组发现和群组推荐的原型系统,并给出了一个餐饮推荐的应用示范。原型系统的构建遵循需求分析、概要设计、详细设计及实现等步骤,完成了用户动态倾向提取,用户群组划分,群组推荐等功能模块,验证了本文提出的算法可行性,展现了结合了时间上下文的群组发现方法和核心用户群组推荐方法在现实应用场景下的推荐效果。