推荐系统可以智能、快速、便捷地为用户匹配满足其偏好的项目,具有重要应用价值。在线应用使得人们容易构建各类用户组,随着数据的丰富,如何向用户组提供准确的推荐服务成为一个挑战。组推荐需要兼顾用户组中各用户的偏好差异,如何预测单一用户偏好及建模用户组偏好对推荐服务质量具有重要影响。其中,融合成员偏好是对组偏好进行建模的主要方法,例如,使用预定义偏好融合策略获得组偏好,基于用户显式特征辅助建模组偏好等。上述方法中,或者采用静态方式融合成员偏好,未充分考虑组成员个性化特征对组决策的影响,对组推荐效果有一定影响;或者由于用户组成员偏好各异、用户数据未完整表达用户信息或特征,影响了推荐性能。综上,如何用可获得数据为用户组建立合适的偏好模型是组推荐服务的关键。本文针对组偏好建模问题,提出了两种新颖的偏好融合策略,可根据用户的历史行为,计算代表用户影响力的组成员权重,根据用户权重建模组偏好,进而为用户组做出推荐。上述方法的特点是仅使用用户与项目的交互数据,挖掘用户隐式特征,辅助准确构建用户组偏好。为了进一步提升组成员对推荐结果的满意度,本文设计了一种基于注意力网络的用户偏好预测模型,其融入类别因素,同步建模用户对项目的偏好和用户对类别的偏好。本模型的特点是通过改进单一用户的偏好预测模型,提高了用户对项目评分的预测准确度,促进了组推荐质量提升。本文从推荐结果的准确性和排序相关性两个方面对所提出方法进行评价,与基准方法在真实数据集上开展了实验对比,实验结果证实了本文的方法具有更好的推荐性能。