推荐是一种古老的筛选检索方式,汉代有汉武帝令郡国举孝廉,隋朝有科举推荐选拔人才,都凸显着推荐的作用。在现代社会,爆炸式的信息充斥着生活的方方面面,如何从纷繁复杂的信息中获取对自身有价值的信息变得愈发重要,推荐系统的出现为处在不知所措中的人们提供极大的便利,也为引入推荐系统的企业带来了丰厚的回报。但是,目前大部分推荐系统着眼于对单个用户的推荐,而忽视了对群组的推荐。在生活中,经常遇到集体外出就餐、郊游、聚会等,对于这类场景,决策需要综合考虑群组中各个成员的意见做出决定。同时,在人工智能发展还不完善的今天,模型或多或少都存在一些问题,通过多模型融合弥补各个模型的不足,提升性能,是一种普遍采用的手段。针对个性化推荐系统,为了解决传统矩阵分解算法存在数据稀疏性等问题,论文将评论数据引入训练。通过主题分析手段挖掘评论信息,改进了现有的矩阵分解算法与主题分析算法融合模型,提出了Dual-HFT(Dual Hidden Factors as Topic)改进算法。同时,通过理论推导与实验分析证明该算法的有效性。在群组推荐系统中,基于社会选择理论,论文选用Med Rank(Median Rank)算法代替传统排序融合算法,避免了传统算法中存在的诸多问题。同时,针对现有的基于社会选择的群组推荐算法存在忽略成员权重的问题,论文提出一种加权的群组推荐融合策略WRank(Weighted Med Rank),使推荐结果更加贴合真实情况。通过仿真实验证明,WRank满足群组推荐的合理性与真实性。。在传统推荐系统框架的基础上,论文提出了一个基于模型融合的多层的集成推荐框架,该框架具有多步融合过程(包括个性化推荐、群组推荐与模型融合)。在不同的粒度推荐过程中,论文通过融合了子算法的结果以弥补其各自的缺点。特别地,针对现有模型融合方法无法应用于排序融合算法的问题,文章采用新的衡量指标与计算技巧实现模型的融合。最后,实验结果表明,该推荐框架的在进行Top-N推荐时,框架的准确性优于其他对比方法。