随着互联网技术日新月异的发展,网络不断渗入到人们的生活。网络用户作为互联网信息的消费者,也是互联网内容的生产者。随着网络数据量的不断增加,“信息过载”问题日益严重。为了解决“信息过载”问题,在海量数据中快速找到最有价值的信息,人们提出了个性化推荐系统。但是,以往的个性化推荐研究主要针对的是个人用户,并不能满足目前出现的群组用户活动的推荐要求,因此,个性化群组推荐研究兴起。群组推荐是个人推荐的延伸和拓展,并且由于群组用户之间存在偏好差异,单个用户的特征各有不同,所以,群组推荐问题比个人推荐更加复杂。因此,针对于社会群组活动的个性化群组推荐研究具有重要意义。首先,本文对个性化推荐研究的发展背景、个性化推荐系统的分类以及重要的推荐方法和关键技术进行了深入研究。其中对传统的个性化推荐方法:基于内容的推荐算法和基于协同过滤的推荐算法,进行了详细介绍。深入研究了群组推荐问题和个人推荐问题的区别以及群组推荐研究中用到的关键技术,比如,群组用户偏好获取、群组发现、偏好融合策略等,并对群组推荐所面临的新的挑战进行了全面分析。其次,在深入研究矩阵分解模型的基础上,重点介绍了基于矩阵分解的群组推荐算法的实现步骤和关键技术:随机梯度下降法和群组融合函数;分析了基本矩阵分解模型、正则化矩阵分解模型、偏差矩阵分解模型的优缺点。通过岭回归分析对矩阵分解模型进行了改进,并提出了结合项目权重的矩阵分解模型(WMF模型)。考虑到用户偏好随时间发生变化这一特点,提出了拟合后的时间效应函数,并将拟合后的时间效应函数与WMF模型结合,对算法进行了进一步改进。最后,对电影群组推荐系统进行了设计与实现。该系统的主要功能包括构建群组、产生群组推荐、推荐结果展示等。电影群组推荐系统能够更直观地体现群组推荐算法的运算过程及实际意义。