由于群体活动在人们日常生活中的普遍存在,向一组用户推荐内容成为许多信息系统中的一项重要任务。不同于单人推荐系统,群体推荐中的一个重要问题是如何聚合群体偏好,从而推断出群体的决策。群体偏好受到多种因素的影响,由个体偏好组成,但也不是简单累加个体偏好,组内成员之间还存在着相互影响。因此,传统的组推荐系统通过静态方法融合群组成员的偏好难以建模复杂的群组决策过程,导致推荐效果不佳。一个好的组推荐模型应该能够从数据中动态融合成员偏好,尽可能满足更多成员的偏好需求。针对以上分析,基于注意力网络和神经协同过滤（neural collaborative filtering,NCF）在推荐领域的最新发展,本文提出了一种新的解决方案 NCF-AGREE（Attentive Group REcommEndation with neural collaborative filtering,NCF-AGREE）来解决偏好聚合问题。具体来说,本文主要研究内容如下:（1）调研并分析组推荐系统相关技术,包括注意力机制、深度学习、协同过滤等。概述组推荐研究现状和相关技术的基本原理。（2）本文提出的组推荐模型（NCF-AGREE）,该模型能够动态学习在不同候选主题下,组内成员之间的相互影响力,也就是说成员之间的相互影响力不是一成不变的,通过NCF-AGREE模型,能够为群组推荐更合适的项目,满足更多成员的偏好。本文将注意机制与NCF相融合,主要是通过两个串行神经网络模块进行组偏好建模,能够学习用户潜在兴趣以及组内用户在特定项目上的相互影响。首先使用注意力网络挖掘成员对不同候选项目的影响,形成用户-项目的特性嵌入向量,在此基础上使用第二层注意力网络动态学习每个用户在不同项目上对组内其他成员的影响。最后在NCF框架下从数据中学习群体与项目之间的交互作用,获取群组预测得分。（3）本文在两个数据集上进行实验。实验结果表明,与基线模型相比,本文提出的NCF-AGREE模型在3个评价指标上均取得更好的结果。（4）设计并实现组推荐原型系统,把本文算法模型集成到系统当中。