随着互联网技术的迅猛发展,互联网中的数据量级增长明显。为了获得数据中的有用信息,并为用户提供针对性的服务,推荐系统变得至关重要。近年来,纳什均衡理论应用于计算机领域中推动服务发展的案例越来越多。尝试将纳什均衡理论融入到推荐系统中,以此来提高推荐的效果,将会是新的研究热点。目前大多数群组划分方法往往忽略了用户的社交关系也没有考虑用户的自私偏好。此外,大多数的群组推荐方法常常忽略群组成员的交互性,这与群组特性相悖更影响推荐质量。虽有研究考虑了这一问题,但也只是简单的靠用户权重来体现交互,这不仅没有产生真正的交互,而且会造成公平性问题。针对以上问题,本文对群组划分和推荐开展研究,主要工作有:从群组划分角度,针对用户的社交关系以及用户自私行为的积极影响结合纳什均衡理论,提出了一种基于纳什均衡的群组划分方法。该方法首先根据群组成员成本考虑成员间的社交关系并根据社交关系模拟群组成员的个体选择,接着通过自私偏好顺序制定群组划分规则模拟群组划分的过程,最后得到纳什均衡点对群组达到稳定划分的效果。通过仿真实验对比得出该方法比其他常用划分方法有更高的准确度与满意度。从群组推荐角度,针对现有大多数群组推荐方法忽略了用户交互性和公平性问题,提出了一种基于纳什均衡的群组推荐方法。首先通过完成矩阵捕捉群组成员对未见项目的评分。接着通过寻找纳什均衡解模拟成员的选择来产生交互。设立支付函数使得某一成员选择时考虑其他成员的接受程度,此时成员会做出最优于群组的选择。最后通过偏好聚合方法来获得群组的偏好完成群组推荐。该方法的仿真实验结果证明了本文所提出群组推荐方法的有效性与满意度。本文基于以上的研究方法,设计了一个基于纳什均衡的群组推荐原型系统。并且详细介绍了该系统的各组成部分以及操作的流程以及它的结构,验证了本文所提出方法的可行性,展示了基于纳什均衡的群组划分方法和基于纳什均衡的群组推荐方法在真实复杂的网络条件下的的推荐效果。该原型系统在实际应用场景下实现了本文提出的方法,通过效果展示体现了它的有效性和可行性。