1、摘要：
论文主要对群组推荐使用的方法进行调研。对群组推荐系统的用户偏好获取、群组发现、偏好融合算法、社会化组推荐以及效用评价等进行概括。
2、组推荐系统概述：
（1）传统的推荐系统：
推荐过程主要分为用户偏好获取和推荐生成两部分。其目的是把特定的项目推荐给用户，使效用函数最大化。
从推荐模型的角度，主要分为以下几类：
协同过滤推荐、基于内容的推荐、基于知识的推荐和组合推荐。基于人口统计学的推荐、基于效用的推荐、基于关联规则的推荐和基于网络结构的推荐等。
从推荐系统的数据源和应用环境的角度，可分为：
上下文感知推荐系统、社会化推荐系统和移动推荐系统等。
从应用分为：
（2）群组推荐的形式化定义：
共识分数：①整个群组对项目的偏好程度；②群组成员之间的偏好差异程度。
定义1：群组预测评分；群组G对项目i的预测评分为群组中每个用户预测评分的融合。
定义2：群组分歧度；群组G中用户对项目i预测评分的差异程度。
定义3：共识函数：增加群组预测评分+降低群组分歧度
定义4：Top-k组推荐：将前k个共识分数最高的项目推荐给群组。
（3）组推荐和传统推荐的异同：
组推荐系统需要考虑所有群组成员的偏好，并通过群组成员的偏好共享和交互缩小群组之间的偏好差异。
其次：组推荐系统将每个群组成员的偏好融合得到群组偏好，并根据群组偏好生成群组推荐。
（4）组推荐系统研究框架：
使用均值融合策略和推荐融合方法生成群组推荐的过程是：
首先通过传统推荐方法（如协同过滤）计算每个群组成员的预测评分，然后将群组成员预测评分的平均值作为群组预测评分，根据群组预测评分对候选项目排序生成群组推荐列表。
3、组推荐的关键技术
（1）第一步：组推荐的用户偏好获取（显式偏好获取和隐式偏好获取）
偏好：用于描述决策者对两个或多个项目的排序关系。
①显式偏好获取：
需要用户显式的提供偏好信息，比如评分矩阵，但存在的问题是数据的稀疏性。
②隐式偏好获取：
利用历史行为数据来挖掘用户皮那好。比如：收听音乐行为数据、用户搜索的关键词等。
③组推荐中偏好获取的不同：
组推荐偏好获取更注重负向偏好，如果把所有群组成员的负向偏好过滤掉就可以快速得到群组的偏好。
（2）第二步：群组发现：
比如：一个用户希望加入一个旅游团获得旅游景点的推荐。
发现潜在的群组的基本想法是：让偏好相似的用户构成群组。
比如：
计算用户相似度然后构建用户相似度网络，最后使用社区划分算法对用户相似度网络进行群组划分。
对用户-项目评分矩阵进行k-means聚类。
根据人口统计学划分群组，从用户好友列表中随机选择好友构成群组等。
（3）第三步：组推荐的偏好融合算法：
①偏好融合策略：
- 基本的偏好融合策略：
- 加权模型：
加权模型根据群组成员的特征、角色、影响力等因素分配不同的权重。比如：用户的评分数量越多，说明用户的活跃度越高，活跃用户的权重应该更大。
②偏好融合方法：
主要分为：推荐结果或评分融合、群组偏好融合
- 推荐结果或评分融合：都是先为每个群组成员生成推荐或计算预测评分，再融合生成群组推荐或群组预测评分；
- 群组偏好建模：先把群组成员的偏好模型融合生成群组偏好模型，再根据群组偏好模型进行推荐。
模型融合：
- 评分进行加权
- 用户偏好进行距离度量，找出群组中用户偏好全局距离最小的
- 将历史行为和项目评分来构建用户偏好模型，将群组偏好模型看做一个多维特征空间，项目分布的高密度区域代表群组偏好。
- 由用户的隐式反馈信息构成
推荐融合：
- 每个群组成员评分加权求和
- 每个群组成员推荐列表排序
