随着高速网络技术的发展,个性化推荐系统方便有效地为用户解决数据冗余的问题,但大多数推荐服务的目标是单个用户,而诸如餐馆、电影等推荐服务的目标应该考虑多人的偏好。本文针对目前群组推荐系统存在的不足以及新群组问题,提出一种新的群组相似性度量方法,并基于协同过滤的思想,进行群组推荐。首先,现有的群组推荐算法在考虑群组成员相互之间的影响力时,需要群组成员的个性化信息计算参数,甚至需要通过调查问卷等形式获取,这不仅暴露用户隐私,更增加了使用者的负担;同时,为了进行群组偏好融合或推断,需要专家领域知识,这使得推荐效果容易受主观影响。针对这些问题,本文提出了群组成员影响力权重分析算法。首先利用聚类算法对群组已评分项目进行聚类并计算群组对各聚类的评分,再利用分类算法对群组成员的已评分项目进行分类并计算用户对各分类的评分,最后使用遗传算法捕获群组内各成员的影响力权重。其次,现有的群组推荐算法大多需要目标群组的群组评分或其子群组评分进行偏好推断,难以解决目标群组不具备这些评分的推荐情形。针对这一问题,本文提出一种新的群组相似性度量方法,解决新群组问题,并在一定程度上提高算法的推荐准确度。首先对普通群组和目标群组进行用户匹配,计算成对用户间的个人相似度,再根据普通群组成员的影响力权重,加权求和计算群组相似度,最后基于协同过滤的思想,预测候选项目的评分,生成TOP-N推荐。最后,对本文提出的算法在群组仿真数据集上进行了实验验证与分析,并与现有算法进行了对比研究,验证了本文算法的有效性。