在大数据时代下,推荐系统能够有效解决信息过载问题并为企业带来巨大的商业价值。随着推荐系统的服务对象逐渐从单一用户扩展为群组用户,群组推荐成为了当下推荐系统领域的研究热点之一。相较于传统推荐系统,群组推荐旨在针对团体性活动为群体用户提供精准的个性化推荐,能够有效融合所有群体成员的用户偏好并缓解群体内部的偏好冲突。然而,现有大多数群组推荐系统所采用的预定义融合策略仅凭经验预先设定成员影响权重,然后加权融合成群组偏好,但未考虑到成员偏好在不同项目的群组决策中所客观存在的重要性差异。此外,现有方法还忽视了成员间的潜在交互作用对群体偏好建模的影响。受限于上述问题,现有方法难以准确、全面地挖掘群组偏好,因而限制了对复杂群组的推荐效果。针对上述问题,本文提出了一种基于注意力机制和图神经网络的群组推荐模型（Attention and Graph Neural Network Recommendation Model,AGNN）。一方面,考虑到群组成员偏好在不同项目推荐中的重要性差异,AGNN模型引入了图神经网络技术,先利用基于空间的图卷积方法从用户与项目的交互图中挖掘基于项目角度的用户潜在兴趣偏好,然后结合注意力机制从项目角度针对性地学习不同成员在不同群组决策时的影响权重,从而有效建模基于项目角度的群组偏好表示。另一方面,考虑到成员间的交互作用对群体偏好建模的影响,AGNN模型同样利用基于空间的图卷积方法从群组与成员的交互图中有效挖掘成员之间的潜在交互作用,进而准确生成基于用户角度的群组偏好表示。最终,AGNN模型利用门控模块融合上述基于用户和项目两个角度的群组偏好表示,得到更全面、准确的群组偏好表示,然后将该群组偏好表示和候选项目的特征表示共同输入到预测层中,从而生成更准确的群组推荐结果。为了评估模型的群组推荐性能,本文在三个真实数据集进行了广泛的对比实验。实验结果表明,AGNN模型相较于基准模型取得了更好的推荐效果。此外,本文还设置消融实验来对比不同模块对推荐性能的影响,验证了成员间的交互作用与成员偏好在不同项目推荐中的重要性差异对群组推荐任务的有效性和必要性。最终本文还针对模型研发了相应的群组推荐系统接口,验证了AGNN模型在现实推荐应用的可用性。