社会化推荐算法是在用户-项目交互数据的基础上,通过引入用户的社会属性信息,从而提高推荐系统的性能。在以用户的社交网络数据为主的社会化推荐算法中,其研究重点是如何充分挖掘社交网络给用户带来的社交影响。根据影响的来源,可以将社交网络给用户带来的社交影响分为两方面,一是社交个体对用户的影响,二是社交群体对用户的影响。因此,本文从如何在社交网络中捕获这两方面的影响出发,进行社会化推荐算法的研究。由于用户的社交网络往往是平坦的网状结构,不包含显式的社交群体信息。因此,现有的社会化推荐算法在学习用户在社交网络下的表示时,只考虑了社交网络中社交个体对用户的影响,这导致没有捕获到社交群体对用户的影响。针对这个问题,本文提出了基于记忆网络的社交群体影响的社会化推荐算法（SGIMN）,其可以捕获社交网络中社交群体对用户的影响,更加充分地利用了社交网络中的信息来进行用户的表示学习。为了在平坦的社交网络中获得潜在的社交群体,本文使用随机游走算法来生成用户节点周边的子图作为候选的社交群体,随后利用记忆网络的特点,对候选的社交群体进行计算来获得社交网络中主要的潜在社交群体信息。然后,本文使用注意力机制来计算用户在社交群体影响下的表示。最后,用门控机制对用户在社交个体影响下的表示和在社交群体影响下的表示进行选取,得到用户在社交网络影响下的表示向量。虽然SGIMN可以捕获社交网络中社交群体对用户的影响,进而得到用户在社交群体影响下的表示向量。但是从用户的表示学习效果来说,用户在不同视图下的表示向量除了能够相互补充信息外,也应具有更多的共同信息。基于这个动机,本文提出了基于多视图对比学习的社交群体影响的社会化推荐算法（MCLSGI）。在获得用户在社交群体影响下的表示后,结合用户在社交个体影响下的表示和用户的项目偏好表示进行多视图对比学习,进而学习到更加完整和有效的用户表示向量。同时,通过计算与负样本的对比损失,MCLSGI还可以捕获到不同用户之间的表示差异。本文在两个主流的社会化推荐算法数据集上进行了对比实验,结果验证了提出的SGIMN算法和MCLSGI算法的有效性。与其他现有的算法相比,本文的算法能有效建模社交群体对用户的影响,充分利用用户的社交网络信息。