1、個(gè)性化推薦的出現(xiàn)是為了解決信息過載給用戶帶來的困擾以及減少其帶來的時(shí)間和資源的浪費(fèi)。當(dāng)前，多數(shù)的推薦服務(wù)所針對(duì)的對(duì)象為個(gè)體用戶。但是，隨著各種各樣的社交網(wǎng)絡(luò)快速發(fā)展，人與人之間的交流越來越方便，由此也使得人們參與群體活動(dòng)數(shù)量的快速增長。當(dāng)一個(gè)群體面臨選擇難題時(shí)，需要滿足的是群體成員的需求，而不是群體內(nèi)某一個(gè)體成員的需求，因此傳統(tǒng)的個(gè)體推薦服務(wù)已經(jīng)無法滿足需求，這就需要在個(gè)體推薦的基礎(chǔ)之上對(duì)群體推薦進(jìn)行研究。
　　群體推薦的方式主要

2、有兩種，一種是聚集模型，通過對(duì)群體內(nèi)用戶的興趣進(jìn)行聚集，形成群體興趣模型，再依據(jù)該模型對(duì)群體進(jìn)行推薦。另一種是聚集預(yù)測(cè)，先對(duì)群體內(nèi)的個(gè)體用戶進(jìn)行推薦，再選用合適的聚集策略對(duì)個(gè)體推薦結(jié)果進(jìn)行聚集，產(chǎn)生群體推薦。
　　這兩種群體推薦方式都涉及到了聚集策略的問題，聚集策略的研究成為當(dāng)前學(xué)術(shù)界關(guān)注的重點(diǎn)。本文通過對(duì)聚集策略的深入研究，在分析現(xiàn)有聚集策略優(yōu)缺點(diǎn)的基礎(chǔ)上，將信任網(wǎng)絡(luò)引入群體推薦算法中，通過對(duì)群體內(nèi)部的信任網(wǎng)絡(luò)結(jié)構(gòu)分析，提出兩個(gè)

3、新的群體推薦算法。
　　具體研究工作如下:
　　(1)總結(jié)了國內(nèi)外關(guān)于信任網(wǎng)絡(luò)以及群體推薦的研究現(xiàn)狀，并對(duì)相關(guān)的理論和研究基礎(chǔ)進(jìn)行深入分析，指出信任網(wǎng)絡(luò)對(duì)于推薦服務(wù)的提升作用，以及社交因素對(duì)群體推薦的影響。以聚集預(yù)測(cè)為主要的聚集策略研究對(duì)象，分別基于用戶和項(xiàng)目進(jìn)行協(xié)同過濾推薦算法分析，從而得到個(gè)體的評(píng)分預(yù)測(cè)，為下一步的群體推薦提供聚集對(duì)象。
　　(2)群體中由于個(gè)體之間的群體影響力和專業(yè)權(quán)威的不同，個(gè)體對(duì)于最終群體決策

4、的影響大小不同，因此應(yīng)當(dāng)在推薦時(shí)賦予用戶不同的權(quán)重。本文首先利用PageRank算法和信任網(wǎng)絡(luò)計(jì)算用戶的影響力權(quán)重，然后利用用戶的評(píng)分頻度計(jì)算其權(quán)威性權(quán)重。最后綜合考慮二者，提出了基于用戶權(quán)重的群體推薦算法。實(shí)驗(yàn)分析了群體信任飽和度對(duì)RMSE的影響，通過與其他聚集策略的對(duì)比，證明了加入權(quán)重分析能夠有效提升推薦質(zhì)量。
　　(3)考慮到現(xiàn)實(shí)中的群體決策是一個(gè)協(xié)商交流的過程，因此本文對(duì)用戶之間的協(xié)商交流過程進(jìn)行了模擬，指出影響協(xié)商交互的