随着互联网的兴起,人们每天都要面临数以万计的信息,推荐系统在帮助用户过滤冗余信息方面起着举足轻重的作用。互联网的兴起也使得在线社交网络和在线社区快速发展,兴趣相近的用户形成了各种各样的社区或群体,在线群体活动越发普遍。面对生活中丰富多彩的信息,传统的个性化推荐系统已经不能满足用户的需求,面向群组的推荐系统收到了广泛的关注。区别于传统的个性化推荐系统中向单一用户进行推荐,群组推荐系统的目标对象变为一组内的多个用户,旨在构建一个满足大多数群体成员偏好的推荐系统。因此,如何融合群组成员的偏好是组推荐的难点。之前的群组推荐模型多采用基于预定义规则的偏好融合策略,如均值融合、最小痛苦融合和最大满意度融合,这些模型忽略了成员在群组中的不同角色,更没有考虑成员偏好受到其他用户的影响而发生变化,导致无法准确预测群组真实偏好。此外,在真实生活中,人们以群组形式参与活动的交互次数很少,引入其他辅助信息解决数据稀疏问题会耗费较多资源,且不适用无法获得辅助信息的模型。针对以上分析,研究面向临时群组的推荐模型存在以下难点:（1）临时群组中历史交互数据相对稀疏,导致预测群组偏好困难;（2）成员偏好易受他人影响,导致用户偏好预测困难;（3）群组内成员偏好融合过程复杂且动态,导致模拟群组决策困难。为解决上述难点,本文提出基于超图和自监督学习的群组推荐模型。本文主要工作如下:阐述了群组推荐系统的研究背景、意义和研究现状,结合群组推荐、超图表示学习和自监督学习的技术与理论,分析了当前群组推荐模型研究面临的问题和不足;设计多个基于超图的辅助任务实现数据增强,包括:基于节点扰动的辅助任务、基于超边的辅助任务和基于子图的辅助任务,通过超图神经网络学习不同辅助任务下的超图表示,并利用对比学习捕捉用户节点的准确特征,最后将优化的节点向量表示应用于推荐任务中,验证所设计辅助任务的有效性,为解决难点（1）奠定理论基础;形式化地给出了群组超图表示,用超边连接组内多个用户,模拟用户之间高阶交互关系,学习用户偏好之间的相互影响,解决难点（2）;采用基于注意力机制的偏好融合模型,学习组内成员的不同权重,模拟复杂决策过程,解决难点（3）;设计多粒度节点扰动自监督策略和群组-用户最大化互信息策略,优化用户和群组的向量表示以解决难点（1）。通过大量基于公开数据集的实验,证明了所提算法的优异性,并进一步分析了所提算法能取得优异性能的原因;根据所提模型设计并实现了一个基于多粒度超图自监督学习的群组歌曲推荐系统,包括群组划分、群组歌曲推荐和模型性能展示等功能,向群组推荐可能感兴趣的歌曲。