伴随着信息技术和计算机科学的快速发展,存在于互联网世界中的数据量越来越巨大,因此形成的数据过载问题也给互联网用户造成了很大的困扰。推荐系统的出现则很好的解决了这一问题。通过推荐系统的帮助,用户可以快速准确高效地获得自身真正需要的信息数据。大多数传统的推荐系统所推荐的目标为独立的用户,它们并不具备为一个由若干用户组成的群组推荐项目的能力。然而现实生活中,很多服务的提供对象往往不是单独的用户。例如,电影网站为家庭推荐电影,美食APP为公司员工推荐聚餐餐厅,旅行服务提供商为旅行团推荐景点等。由于群组推荐自身的特殊性以及其应用的广泛性,近年来已经逐渐成为中外学者研究的热点问题。现有的大多群组推荐算法采用一种预先设定群组成员在决策过程中所占权重的方式来融合群组不同成员的偏好,从而形成一个能代表群组整体的偏好,然后利用该群组偏好进行下一步的项目推荐。然而这类方法并不具备模拟真实情景中复杂的群组决策制定过程,群组中成员在面对不同的项目时所应当获得的权重不是一成不变的,而应当是一种动态的计算结果。另一方面,群组中具有社交关系的用户也会对他们自身的偏好产生一定的影响,从而影响到整个群组的偏好。此外,大多数基于深度学习技术的推荐算法在健壮性和泛化能力上有一定的欠缺,对最终推荐的精度有较大的影响。针对上述在群组推荐研究过程中出现的问题和挑战,本文从以下两个方面进行研究:(1)基于注意力机制与社交信任关系的群组推荐算法。本文提出了ASBGR(Attention mechanism and social trust based group recommendation)算法来动态地计算不同组内成员对于不同项目的偏好权重,并将社交信任关系融入到群组偏好表示的学习过程中。ASBGR算法的主要思想是:当群组与项目进行交互时,使用注意力机制为群组中的成员动态地分配权重,再对群组中的成员进行组员偏好的加权求和,并将组中成员之间的社交信任关系融入偏好计算过程,将最终得到的加权偏好之和作为代表整个群组的偏好来进行后续的推荐列表的计算。采用这种融合了社交信任关系与动态分配权重的方法可以更好地反映群组中的成员在面对不同的项目时拥有的不同决策能力,更加符合现实中群组决策形成的过程,使得最终形成的群组偏好更能够反应群组的真实情况。在真实数据集上的实验结果表明,ASBGR算法与现有的其他群组推荐算法相比在推荐质量上有了较大的提升。(2)基于对抗性训练的健壮的群组推荐算法。目前出现了许多基于深度学习的群组推荐方法。得益于深度学习技术在特征提取和计算方面的巨大优势,这类群组推荐算法的效果相较于不使用深度学习技术的群组推荐算法有了显著的提高。然而近来的相关研究指出,大多数基于深度学习的算法都存在健壮性和泛化能力不足的问题,群组推荐算法也不例外。本文提出了一种基于对抗性训练的健壮的群组推荐算法ATFGR(Adversarial training for group recommendation),在现有的基于深度学习技术的群组推荐算法基础上,使用对抗性训练的方法对模型进行进一步的优化,增加算法的健壮性和泛化能力,从而提升推荐结果的精度。在真实数据集上的实验结果表明,采用对抗性训练之后的模型相比较于原模型在推荐质量上了有了一定的提升。