目前,个性化推荐系统无论是在电子商务领域还是社交网络方面都有非常重要的作用。社区团购模式与传统电子商务模式相比,其重点在于用户购买商品的时间与用户的社交关注关系。但传统的社区团购平台未采取有效方法分析挖掘时间与社交数据对于推荐的重要性;同时海量数据给传统的团购平台带来了存储与计算压力。本文在大数据背景下,开展了基于深度学习的社区团购个性化推荐研究。论文的主要内容如下:（1）提出了融合时序感知GRU和自注意力的团购推荐算法RTSA。首先,构建了时序感知的GRU模块,在团购推荐时融入时序信息;进一步地,考虑到用户-商品交互序列中噪声问题,采用自注意力网络,实现了对单个用户的推荐。在两个数据集上进行了大量实验,结果表明RTSA在四个指标上都优于FPMC、GRU4Rec等推荐算法,验证了RTSA推荐模型的有效性。（2）提出了融合社交网络和分层自注意力的团购推荐算法SSAGR。首先,采用循环神经网络,获取了用户随时间变化的潜在兴趣;然后,考虑到群组推荐中预定义的融合策略不能动态获取群组用户权重,利用分层自注意力网络,结合社交网络信息,实现了动态的群组偏好聚合策略;最后,针对群组-项目交互数据的稀疏性问题,利用神经协同过滤NCF,挖掘群组-项目交互,实现了对群组用户的推荐。在两个数据集上进行了大量实验,结果表明SSAGR在两个指标上都优于AGREE等群组推荐算法,验证了SSAGR推荐模型的有效性。（3）实现了RTSA和SSAGR推荐算法的并行化处理。首先,搭建了Spark大数据集群;然后,采用数据并行化的策略实现了RTSA和SSAGR模型的并行化;最后,在不同数据规模、不同节点个数上,使用加速比、可扩展性作为评价指标进行了对比实验,结果表明对于大规模数据集,并行化实现神经网络模型的效率更高,且具有良好的可扩展性。（4）搭建了社区团购推荐的原型系统。面向大数据背景下社区团购推荐的应用场景,本文基于已经实现的两个推荐算法RTSA和SSAGR,结合Pytorch深度学习框架,设计实现了社区团购推荐的原型系统。