随着信息技术和移动互联网的飞速发展,信息爆炸的发展趋势已经不可阻挡。海量的信息在给人们带来更多选择的同时,也使得他们常常迷失在信息的海洋中而难以发现自己感兴趣的内容,导致“信息过载”问题。近年来,推荐系统成为解决该问题的一种有效途径,并成功被谷歌、百度、阿里等IT业巨头开发成为典型的商业应用。但当前推荐系统的目标对象大多为个体用户,然而随着现代社会中人与人之间的距离被不断拉近,社会网络中越来越多的线上以及线下活动开始以群组为单位进行,相应地也产生了向群体用户推荐信息的需求。近年来,部分学者开始关注群体推荐系统,也提出了一些有代表性的解决方案及思路,但现有的研究工作仍有不少待完善之处。一方面,社会性群体有多种存在形式,包括随机型群组、持续型群组,而推荐系统亦有多种场景形式,诸如隐式推荐、显式推荐、时序推荐等;对社会网络中不同类型群体关于不同形式的推荐需求,目前尚缺乏系统性研究。另一方面,现有方法在技术上相对简单,它们中大多数都是对群组中各成员的特征加以聚合得到群组特征。然而主观地定义聚合会产生误差,并且群体推荐的场景往往有多重特征(例如,异构性、动态性等),群体特性并非个体特性的简单叠加,需要根据不同的问题需求,融合场景中的多元化特征,从而实现高效率的群体推荐。鉴于此,本文分别针对两类群组,结合不同类型的业务场景,研究了社会网络中几种典型的群体推荐问题。本文的具体研究内容和贡献如下:(1)本文研究以随机型群组为对象的显式推荐,针对现有方法会引入噪声偏差的问题,提出了基于多维偏好分布的群体推荐机制。首先,针对群组内成员的偏好特征异构性,将组中各成员的偏好聚合成为偏好分布的形式,从特征多元化的视角表达群组偏好。其次,针对群组偏好形式包含多个维度层级,建立多变量支持向量回归模型来拟合多维偏好分布的生成,采用迭代加权最小二乘法估计模型参数,进而对候选集条目预测未知的群组偏好信息。然后,提出一种模糊多准则决策策略,融合多维分布式的群组偏好特征,并计算出候选集条目排序作为推荐结果。最后,真实数据集上的实验结果表明,本文提出的群体推荐机制也能够产生更加高效的推荐结果,并且对参数变化具有较好的鲁棒性。(2)本文研究以持续型群组为对象的隐式推荐,针对缺乏明确反馈信息的问题,提出了基于概率推理与非合作博弈的群体推荐机制。首先,假设群组成员的历史行为记录都是受到过程变量影响的决策选择过程。其次,为行为生成过程赋予合理的先验分布,建立生成过程的联合概率表达,并基于可观测的行为结果,借助贝叶斯后验概率推理从隐式的行为记录中推断出显式的未知过程变量。然后,分析群组成员的合作机理与竞争机制,利用非合作博弈模型将推荐结果的生成转换成为群组成员寻求各自效益最大化的非合作博弈过程,达到纳什均衡状态下的策略解即为推荐结果。最后,在两个社会网络真实数据集上进行仿真实验,结果表明基于概率推理与非合作博弈的群体推荐机制能够预测出更加准确的推荐结果,并且该模型的参数敏感性较好。(3)本文研究以随机型群组为对象的时序推荐,针对样本数据异构性以及呈时序性演进的问题,提出了基于高斯过程回归的群体推荐机制。首先,将异构的群组成员行为记录聚合成群组行为序列,利用LDA主题模型分别识别出每个时序节点上所有交互的主题分布,作为群组在各个时序节点上的行为特征。其次,采用高斯过程回归模型建模群组行为特征的时序演进过程,挖掘出内在的序列模式,并预测后续时刻的行为特征发展趋势。然后,基于预测出的行为特征趋势,从候选集中选出主题分布特征与之最为接近的条目组合作为推荐结果。最后,在三个社会网络真实数据集上进行仿真实验,结果表明基于高斯过程回归的群体推荐机制能够产生最为贴近真实情况的推荐结果,并且该方法不容易受到数据稀疏性的影响。综上所述,本文对社会网络中随机型群组和持续型群组的推荐问题提出了一些新的研究思路,对进一步研究群体推荐及其相关课题提供了一定的借鉴与参考。