目前,推荐算法已经在互联网产品中占据很重要的位置,传统的推荐模式通常是根据用户已有的历史记录作为训练集,训练好固定的推荐模式进行推荐。但是在现实场景中,用户和推荐系统往往需要持续且密切的交互行为。多臂赌博机算法为解决这个问题提供了有效支持,但仍存在特征数据稀疏、项目特征构建不完善和群组影响等问题。基于上述问题,本文具体的研究内容如下。首先,传统的多臂赌博机推荐算法解决冷启动问题时通常仅考虑用户对项目的评分矩阵,直接构建用户-项目特征矩阵,没有充分考虑项目自身的属性对项目特征构建的影响。本文提出一种基于多维标签的LinUCB(Linear Upper Confidence Bound)推荐算法,该算法通过构建项目-多维标签矩阵,深入提取用户和项目的特征,再使用多臂赌博机推荐算法进行推荐,以此来提高推荐系统的精确度。其次,针对目前基于多臂赌博机的推荐算法推荐对象局限于单用户的情况,提出基于用户群组特征的LinUCB推荐算法,将用户的群组偏好与上下文多臂赌博机算法融合,利用多维标签构建的用户和项目特征矩阵,使用K-means++算法进行用户聚类完成群组划分,在之后采用均值策略构建群组特征,从而完成为群组的推荐,在每一轮推荐结束后根据群组用户的反馈对该算法模型的参数进行动态更新。最后,分别将本文所提两种算法在真实的数据集Movielens中进行实验,验证其有效性和准确性。