随着移动互联设备的普及和各种社交app的兴起,个性化推荐系统早已从传统的电子商务和新闻推荐领域渗透到人们生活的方方面面。推荐系统的功能和要求也随之发生了新的变化。从最早的尽可能满足用户的固有趣味和偏好到,主动从用户的各种潜在信息中为用户发掘用户的偏好可能性,从线上的商品和服务推荐到更加多元化的视频、交友、出行、娱乐等领域的推荐,以不断的更新保持用户对推荐系统的持续的满意度。受移动支付、在线娱乐、社交以及网络教育等广泛应用的影响,人类的群体社交方式逐渐由面对面的社交转变为在线社交。群组推荐成为个性化推荐的一个重要分支。个性化推荐系统对用户偏好的挖掘通常局限于用户的网络浏览痕迹,而与传统推荐系统相比,群组推荐系统更受到用户的所处的时间、天气、地理环境以及用户的行为习惯的影响。因此群组推荐在用户偏好的挖掘方面需要考虑更多的因素。不仅如此,群组成员之间的相互影响也是群组推荐在进行推荐时所面临的不可忽略的问题。如何平衡群组成员之间的差异度,以及群组成员对推荐结果的总体满意度,是群组推荐系统当前所亟需解决的挑战。本文的研究工作主要包含以下几个方面:(1)考虑时间因素对群组成员活动的影响,在此基础上构建基于时间因子聚类的群组兴趣点推荐模型,将用户签到活动数据集根据时间划分,并采用基于层次的K均值算法思想,自动确定用户签到活动集的划分类别数和聚类簇心;通过划分后的数据集为群组用户生成时间因子相关的细粒度的推荐;提出与用户活跃度正相关的加权群组偏好融合策略,建立用户签到和评分次数与用户活跃度之间的映射公式,据此计算每个群组用户在组内的权重大小,并将其加入到群组融合策略中;(2)提出融合评论文本主题分布的群组商品推荐模型,该模型挖掘评论文本中的用户主题信息和商品主题信息,并将用户主题信息和商品主题信息与隐语义模型中的用户隐偏好向量和商品隐特征向量分别构建函数映射关系,再将其融入到用户评分矩阵的隐语义分解模型形成新的推荐模型,提高了推荐系统对用户潜在信息的挖掘能力和推荐结果的准确度。(3)对以上提出的算法进行详尽的实验测试,调整实验参数使模型性能达到最佳;并和领域内同类型算法模型进行了实验对比,验证了本文所提出的算法和模型的有效性。