随着信息技术的发展,互联网中大量服务的产生导致信息过载问题出现,用户难以从海量信息中准确获取自身需求。推荐系统成为重要的缓解方法之一,有效的推荐方案能够帮助用户快速地筛选出其感兴趣的服务。然而,现实生活中存在着各种以群体形式展开的活动,传统的个性化推荐系统难以满足群体用户的需求,因此面向群组的推荐系统受到越来越多的关注。在群组推荐系统中,群体用户与服务的交互信息中包含着各种潜在关系,如不同服务之间的关联关系、群组成员之间的相似关系和群组对服务的历史交互关系等。由于这些潜在关系的影响,群组成员偏好难以被准确地获取,从而导致推荐性能不佳。因此,如何学习群体与服务之间的各种潜在关系来进行群组推荐是本文的主要研究工作。主要贡献如下:首先,本文提出了一种面向知识图谱关联关系的群组发现方法。该方法利用注意力神经网络对服务知识图谱进行训练学习来挖掘不同服务实体之间的潜在关联关系,结合协同过滤方法和Word2vec词向量技术来获取用户偏好,并采用两个阶段聚类方法来发现潜在的群组。其次,本文提出了一种面向群体用户相似关系的群组推荐方法。该方法利用自注意力机制来学习固定的群组中全部成员之间相似关系,由此对成员偏好加权融合成整体群组偏好,并通过协同度量学习方法训练群组偏好和服务特征的共同向量空间来进行群组推荐。最后,根据以上提出的群组发现和群组推荐方法,本文构建了面向潜在关系的群组推荐原型系统。该原型系统是基于Movie Lens数据的电影群组推荐系统,其构建包含需求分析、总体设计、详细设计和实现展示的步骤,并实现了个人推荐、群组发现和群组推荐的功能,同时验证了本文提出方法的可行性,展现了面向潜在关系的群组推荐方法在实际应用中的推荐性能。