近年来,随着物质生活的日益丰富和互联网的飞速发展,基于活动的社交网络（event-based social network,EBSN）吸引了越来越多的注意力。用户可以在线上结识朋友、加入群组,相约在线下参与实际活动。但是,EBSN中海量的活动让用户目不暇接,带来了严重的信息过载问题。而活动推荐系统正是缓解这种信息过载问题的有效途径。由于活动推荐面临着严重的冷启动问题,因此需要充分挖掘、利用各种上下文信息。此外,用户往往以群组的形式参与活动,例如去餐厅就餐、观看电影、旅游出行等,需要研究群组推荐技术来统筹兼顾多个用户的偏好。因此,本文主要研究基于图注意力网络的群组活动推荐算法,主要内容如下:（1）提出了一种针对活动的神经协同过滤模型NCFE,通过多种方式细粒度地提取活动丰富的上下文特征,然后引入了注意力机制来调整不同上下文特征的权重,并设计了特征交叉层来捕捉用户和多种活动上下文之间的关系。在Meetup数据集中两个城市上的实验表明,NCFE有效地提升了推荐的召回率和NDCG。（2）提出了一种UDA模型来进行群组推荐。使用关系型注意力核函数显式地对群组中的不同成员进行比较。每个用户都在目标项目的指导下与其他用户进行了比较,并利用多层神经网络来施加非线性变换。此外还提出了 4种用户关系型核函数来模拟群组决策过程中多种不同的关系。在Movielens、Last.fm和CAMRa2011数据集上的实验表明UDA 比已有算法取得了显著提升。（3）提出了一种GAGE模型来进行群组活动推荐,将图卷积神经网络和注意力机制应用于EBSN这个异构图中,捕捉图的结构性和相似性,学习各个实体的嵌入向量。设计了一个特征交叉层来学习群组对活动多种上下文特征的偏好。在Meetup数据集中两个城市上的实验表明,GAGE取得了先进的效果。（4）音乐会活动的市场规模大、长尾效应明显,但目前国内市场上缺少音乐会活动推荐软件。因此,本文设计并实现了一个音乐会活动推荐系统,并NCFE算法和GAGE算法应用于本系统中,可以为单个用户或用户群组推荐活动,提升用户体验,提供更多音乐作品变现的可能性。