推荐作为社会网络分析、数据挖掘、信息检索等领域的核心技术,已被广泛应用于在线情感咨询、垃圾邮件过滤、网页排名等众多领域。此外,随着推荐技术的逐步发展和成熟,越来越多的应用场景需要我们向一个群体,而不仅仅是简单的个人推荐其感兴趣的物品或信息。因此,群体推荐在人们的生活中变得越来越重要,并成为目前推荐技术的一个重要发展方向。本文的主要目标在于深入研究已有的推荐算法,找出其缺点与不足,并设计出切实可行的解决方案。同时,为了满足社会的新需求,文章将致力于对用户和群体的喜好进行正确的特征表示,从而设计出新型推荐模型来弥补现有推荐系统的不足之处。现如今,已有综合推荐方法证明与物品相关的内容文本可以弥补打分矩阵稀疏引起的缺陷。因此,文中提出了一种将用户打分与物品内容文本相结合的个性化推荐算法-LRW,该算法深入探测隐含在打分和内容文本中的特征因子,因而可以更正确的表达物品的特征,并真实的描述用户的选取行为。在LRW中,我们利用概率主题模型同时在打分和文本信息中学习出用户感兴趣的主题和物品的隐含特征,并在此基础上借助随机游走模型多方面挖掘用户和物品之间的隐含关系,从而提高用户对未打分物品的喜好预测精度。群体的每个成员都是具有社会性的人,而这些人的喜好受其社交关系影响严重,换言之,整个群体的喜好跟每个用户成员的社交关系密切相关。所以,将用户的社交关系融入模型中可以更好的描述群体和物品的特征,从而更准确的预测群体与未选取物品之间的喜好关系。因此,文中设计了一种可以多方面探测用户社交关系的群体推荐方法,该方法可以深入探测群体与物品、群体与用户、以及用户与物品之间的关联信息。由以上描述可知,深入探测物品打分和内容文本中的隐含因子有利于对物品的特征进行正确描述,而用户的偏好也与其社交关系密切相关,所以同时考虑与物品相关的隐含因子和用户的社交关系可以帮助我们对群体的偏好进行正确表达。因此,文中设计了一种概率主题模型与随机游走模型相结合的群体推荐方法-RWR-UTM。在RWR-UTM中,概率主题模型通过将用户打分和物品内容文本相结合同时检测与用户、群体、物品相关的隐含主题,并以此为依据构建三者之间的隐含概率框架,而随机游走模型则在该概率框架基础上多方面挖掘群体与物品之间的隐含关系。此外,我们在概率主题模型与随机游走模型相结合的基础上,借助不同的群体决策策略和群体推荐策略,设计了多种不同的群体推荐算法。对于上述所有方法,文中都使用真实数据集进行了测试,并将其与当前主流推荐方法进行了对比。实验结果证明,我们的方法能更好的解决推荐系统中存在的问题,可以有效的提高推荐系统的性能。