1、摘要：
論文主要對群組推薦使用的方法進行調研。對群組推薦系統的用戶偏好獲取、群組發現、偏好融合算法、社會化組推薦以及效用評價等進行概括。
2、組推薦系統概述：
（1）傳統的推薦系統：
推薦過程主要分為用戶偏好獲取和推薦生成兩部分。其目的是把特定的項目推薦給用戶，使效用函數最大化。
從推薦模型的角度，主要分為以下幾類：
協同過濾推薦、基於內容的推薦、基於知識的推薦和組合推薦。基於人口統計學的推薦、基於效用的推薦、基於關聯規則的推薦和基於網絡結構的推薦等。
從推薦系統的數據源和應用環境的角度，可分為：
上下文感知推薦系統、社會化推薦系統和移動推薦系統等。
從應用分為：
（2）群組推薦的形式化定義：
共識分數：①整個群組對項目的偏好程度；②群組成員之間的偏好差異程度。
定義1：群組預測評分；群組G對項目i的預測評分為群組中每個用戶預測評分的融合。
定義2：群組分歧度；群組G中用戶對項目i預測評分的差異程度。
定義3：共識函數：增加群組預測評分+降低群組分歧度
定義4：Top-k組推薦：將前k個共識分數最高的項目推薦給群組。
（3）組推薦和傳統推薦的異同：
組推薦系統需要考慮所有群組成員的偏好，並通過群組成員的偏好共享和交互縮小群組之間的偏好差異。
其次：組推薦系統將每個群組成員的偏好融合得到群組偏好，並根據群組偏好生成群組推薦。
（4）組推薦系統研究框架：
使用均值融合策略和推薦融合方法生成群組推薦的過程是：
首先通過傳統推薦方法（如協同過濾）計算每個群組成員的預測評分，然后將群組成員預測評分的平均值作為群組預測評分，根據群組預測評分對候選項目排序生成群組推薦列表。
3、組推薦的關鍵技術
（1）第一步：組推薦的用戶偏好獲取（顯式偏好獲取和隱式偏好獲取）
偏好：用於描述決策者對兩個或多個項目的排序關系。
①顯式偏好獲取：
需要用戶顯式的提供偏好信息，比如評分矩陣，但存在的問題是數據的稀疏性。
②隱式偏好獲取：
利用歷史行為數據來挖掘用戶皮那好。比如：收聽音樂行為數據、用戶搜索的關鍵詞等。
③組推薦中偏好獲取的不同：
組推薦偏好獲取更注重負向偏好，如果把所有群組成員的負向偏好過濾掉就可以快速得到群組的偏好。
（2）第二步：群組發現：
比如：一個用戶希望加入一個旅游團獲得旅游景點的推薦。
發現潛在的群組的基本想法是：讓偏好相似的用戶構成群組。
比如：
計算用戶相似度然后構建用戶相似度網絡，最后使用社區划分算法對用戶相似度網絡進行群組划分。
對用戶-項目評分矩陣進行k-means聚類。
根據人口統計學划分群組，從用戶好友列表中隨機選擇好友構成群組等。
（3）第三步：組推薦的偏好融合算法：
①偏好融合策略：
- 基本的偏好融合策略：
- 加權模型：
加權模型根據群組成員的特征、角色、影響力等因素分配不同的權重。比如：用戶的評分數量越多，說明用戶的活躍度越高，活躍用戶的權重應該更大。
②偏好融合方法：
主要分為：推薦結果或評分融合、群組偏好融合
- 推薦結果或評分融合：都是先為每個群組成員生成推薦或計算預測評分，再融合生成群組推薦或群組預測評分；
- 群組偏好建模：先把群組成員的偏好模型融合生成群組偏好模型，再根據群組偏好模型進行推薦。
模型融合：
- 評分進行加權
- 用戶偏好進行距離度量，找出群組中用戶偏好全局距離最小的
- 將歷史行為和項目評分來構建用戶偏好模型，將群組偏好模型看做一個多維特征空間，項目分布的高密度區域代表群組偏好。
- 由用戶的隱式反饋信息構成
推薦融合：
- 每個群組成員評分加權求和
- 每個群組成員推薦列表排序
