伴随着移动设备和基于位置服务的广泛应用,基于地理位置的社交网络(LBSNs)迅速发展。Gowalla、Foursquare、Flicker等越来越多的社交网站允许用户记录并分享自己的位置信息,LBSNs中的各类应用产生了大量蕴含丰富知识的数据,这些数据不仅记录了用户在虚拟的社交网络中的行为信息,而且包括了用户在现实地理世界活动的时间、地点、内容等信息。通过分析大量此类数据,可以挖掘出用户在地理世界和社交网络中的行为模式,学习用户个人偏好,从而为用户提供有价值的指导。旅游路线推荐是LBSNs研究领域中重要的研究方向。当用户旅游或日常出行时,推荐系统可以根据用户不同的需求,通过智能手机等移动设备为用户制定旅游规划。研究内容主要为如何挖掘LBSNs中大量的用户数据,快速地为用户推荐流行、符合用户偏好的旅游路线。现有的路线推荐的研究通常只考虑用户独自出行的情况,根据单个用户的偏好进行个性化的路线推荐。由于结伴出行是旅游中常见的现象,研究群体的旅游路线推荐具有重要的意义。针对此需求,本文提出了群体旅游路线推荐问题,当用户结伴出行时,为群体用户推荐一条个性化最优旅游访问路线。与为独自出行的用户推荐个性化旅游路线不同,在群体旅游路线推荐中,推荐系统需要考虑群体内每一名用户的个人偏好,如何整合群体内每一名用户的个人需求是此问题的研究重点。本文的群体旅游路线推荐问题,目标是为群体推荐一条能够使群体整体满意度大、个体满意度差异小的旅游路线。整体满意度大是指将群体用户看作一个整体,满意度高;个体满意度差异小指将群体内每名用户看作一个个体,个体之间满意度差异小,即推荐结果对群体内每名用户的公平度高。为群体用户制定的推荐系统被称为群体推荐系统(GRS),通常GRS首先整合群体内每名用户的偏好,根据不同的聚合策略形成群偏好模型,然后算法根据群体偏好模型为用户推荐事物。现有的研究中通常采用的聚合策略包括平均数策略、无痛苦的平均数策略和最小痛苦策略。本文分析这些聚合策略的不足,提出一种动态聚合用户偏好的策略(DAP)。DAP策略根据当前个体满意度,动态调整群体偏好模型,保证了推荐结果对群体整体满意度较高的同时,个体差异度小。基于DAP策略,建立路线评价模型,对路线进行满意度评分,返回分值最高的路线。本文给出了群体旅游路线推荐的框架和具体方法。文章首先给定群体旅游路线推荐问题的定义,将群体路线推荐问题映射在图中,转化为图中最优路线搜索问题。为了搜索出所有符合用户查询条件并且不包含环,即不包含重复旅游地点的路线,进而找出得分最高的路线,本文设计了两种搜索算法,基于深度优先的DFRS算法和基于贪心策略的近似搜索算法GSRS。本文采用Gowalla和Foursquare社交网站真实的签到数据集进行实验,实验的第一部分从推荐的有效性,公平性等方面对比DAP聚合策略和现有群体推荐研究中采用的聚合策略的有效性,验证了文中提出的DAP聚合策略的有效性。实验的第二部分对DFRS搜索算法和GSRS搜索算法对比,从有效性和效率两方面分析两种算法的优缺点。