各类智能移动应用的发展促使用户难以在海量数据中获取与自己精准匹配的信息,推荐系统可以智能且快速地为用户提供个性化服务,有效地解决上述信息过载问题。然而无论是在现实场景中还是虚拟社区中,用户倾向于以组的形式参与活动,例如,一家人观看电影或与朋友们去旅游。因此,为一组用户提供准确的推荐服务,即组推荐,成为了一种新的服务模式。组推荐不仅需要兼顾组中每个用户的偏好差异,还要考虑组决策受到组内用户间交互行为的影响,因此,如何用可获得的数据来融合组成员偏好建立组模型是组推荐系统的关键任务。通常利用均值策略等静态方式融合组成员偏好,未能充分考虑到组成员个性化特征对组决策的贡献不同,忽略了用户的想法受组内其他用户的影响,进而影响组推荐性能。综上,本文提出了两种新颖的偏好融合策略,主要贡献如下:（1）本文首先提出了一种基于用户重要性的偏好融合方法,用以建模用户交互数据及学习组偏好表示。由于用户在组决策中重要性不同,我们采用了注意力机制学习对组中每个用户的高阶特征进行建模,也就是对每个用户的重要性建模,这些动态的用户权重聚合形成组表示向量。此外,组决策中用户的决定会受组内其他用户的影响,因此设计了一个融合多头注意力的神经网络,通过自动学习用户之间的高阶交互去获取组成员之间的相互依赖性,最终使得模型预测效果最佳。（2）为了进一步提升组成员对推荐结果的满意度,设计了一种嵌入用户社交属性的偏好融合方法,在表示学习的框架下采用双层注意力网络对组用户偏好进行融合建模。首先引入用户社交属性通过注意力网络融合形成用户偏好表示向量,再将其输入一个注意力网络融合形成组表示向量。最后通过建模组与项目交互数据去获得组对候选项的预测值。本文在真实数据集上,评估了所提出的方法,并与基准方法的实验结果进行了对比分析,实验结果充分表明本文提出的方法具有更好的推荐性能。