随着Web2.0技术的快速发展,互联网上产生了大量以用户生成内容为主导的社交媒体应用,使得用户不仅是互联网内容的接受者,而且成为了制造者。但随着参与社交媒体的用户数量的急剧增长,社交媒体上聚集了海量的用户生成数据,形成了严重的信息过载问题,导致用户很难快速的从海量的数据中发现对自己有价值的信息。而推荐系统正是解决信息过载问题和实现个性化服务的有效途径之一。因此,针对社交媒体的推荐研究,即社会化推荐逐渐得到学术界和产业界的高度关注。目前,已有众多的研究者对社会化推荐进行了相关的研究,提出了一些社会化推荐方法。但这些已有的社会化推荐方法还没有对社交媒体上的群组信息进行充分的挖掘和利用,而群组信息作为社交媒体上兴起的一种更加开放的社交关系,群组的规模、构成和结构等众多独有的社会化属性对社会推荐方法有着重要的影响。为此,本研究对社交媒体上的群组信息进行了深入的挖掘,构建了考虑群组信息的社会化推荐方法。首先,本研究系统地对社会化推荐的研究现状进行了系统的梳理,总结了现有研究中存在的问题,明确了未来的发展方向。其次,本研究系统研究了社会化推荐的基础理论,深入分析了社会化推荐的概念、社会化推荐的框架、面向个体的社会化推荐的常用方法和面向群组的社会化推荐方法等相关基础理论。然后,针对社交媒体上的群组信息还未充分挖掘和利用的问题,分别从面向个体和面向群组两个角度出发,构建了考虑群组信息的面向个体的社会化推荐方法GListWise,以及面向群组的基于联合概率矩阵分解的社会化推荐方法。最后,为了验证上述所提的两个社会化推荐方法的有效性,本研究抓取了中文社交媒体豆瓣和科研社交网络CiteULike上的数据进行了实验。实验结果表明,本研究提出的新方法取得了较好的实验结果,证明了本研究所提的社会化推荐方法的有效性。通过本研究,一方面对社会化推荐领域的相关理论进行了系统梳理,并以此为基础提出了改进的社会化推荐方法,丰富和拓展了社会化推荐的理论研究体系。另一方面,本研究率先对社交媒体上的群组信息进行了系统的分析,并将其融入到社会化推荐方法之中,拓展了社交媒体上社会化信息利用的范围,并为社会化推荐方法融合其它社会化信息提供了一个新的思路和途径。