互联网技术的不断创新和发展,在很大程度上方便了我们的生活,与此同时造成的信息过载问题也一直在困扰着我们的生活。而推荐系统作为解决信息过载问题的基本途径之一,在一定程度上大大缓解了这种问题。现如今推荐系统已经在很多网站得到应用,例如亚马逊、淘宝、爱奇艺和新浪微博等等,并且都取得了比较好的反馈效果。传统的推荐系统主要是针对单个用户进行推荐,不能够随着用户的需求而不断改变,在现在的社会生活中,仅仅为单个用户提供推荐已经满足不了用户的日常需求。当被推荐的对象包括多个成员时,比如家庭成员一起出游、朋友一起聚会等集体活动,需要对多个用户进行推荐的现象越来越多,因此为群组用户进行推荐成为当前Web领域研究的主要问题之一。由于传统的推荐算法和群组推荐算法中,很少对群组用户在推荐过程中用户的偏好会发生变化这个问题进行考虑,从而对推荐结果的准确率造成一定的影响。针对可能出现的这些问题,在上述背景下,本文根据特征匹配和反馈机制的相关理论知识,并从这两个方面对群组推荐算法进行深入研究,在传统算法的基础上提出改进的特征匹配算法和反馈机制算法,使推荐结果更加准确和高效。本文首先以特征匹配作为主要的研究方向,分别对用户和物品的信息特征进行描述,由于物品对用户的吸引和用户对物品的评分均存在随机性,故根据特征匹配的相关性概念进行相关性匹配,然后针对个性化推荐利用特征匹配方法建立匹配概率模型,利用建立的模型来计算用户与每个物品之间的相关性概率,再根据个性化推荐的相关排名策略,对用户与每个物品的相关性概率值进行排序,生成用户的个性化推荐列表。然后在特征匹配的基础上将推荐列表拓展到群组推荐上,由于群组内成员与物品i存在相关性,所以群组与物品i也是存在相关性的。故通过计算群组和物品i的相关性概率值,来对群组生成个性化推荐列表。本文的另一个研究重点是基于反馈机制的群组推荐算法,此部分研究的一个主要问题就是如何在群组推荐过程动态调整群组用户的偏好,从而使生成的推荐结果满足群组总体满意度最大化的要求。基于反馈机制的群组推荐算法是在引入四层架构模型的基础上,根据群组中用户的不同角色进行权重分配,提出了实现群组成员偏好调整的反馈模型,以基于权重的聚合投票和基于权重的最小失望的方法为推荐策略,以重叠相似性和海明距离为评价标准,提出了群组结果生成算法和反馈向量生成算法两种算法,并通过一个循环迭代的过程,使生成的推荐结果达到群组成员满意度最大化的要求。本文的最后,结合实际应用项目,使用MovieLens数据集上的相关数据,通过在线和离线实验对推荐结果进行测试,验证了基于概率模型的个性化群组推荐算法和基于反馈机制群组推荐算法的有效性。