现今人们在社交网络如微博上进行频繁的社交活动,根据用户喜好的相关性可将用户分为多个群组。推荐系统通过对收集用户和物品的相关信息进行分析和挖掘,能够有效地帮助用户过滤无关信息,找到他们感兴趣的信息,提高信息的利用率。目前,最流行的推荐算法属于潜因子模型(LFM),LFM将原始评分矩阵分解成两个低秩的特征矩阵的乘积,采用内积的方式获取预测评分。与传统的基于用户和基于物品的协同过滤方法相比,LFM有效地提高了推荐精度。近年来,深度神经网络在许多研究领域取得了成功,例如计算机视觉,语音识别和自然语言处理。本文使用微博数据展开研究,探索结合神经网络进行协同过滤,完成面向群组的好友推荐,在社交推荐领域很有意义。本文在针对潜在因子模型通过内积获取用户和物品之间潜在特征向量的线性交互关系的基础上,通过多层感知器(MLP)获得用户和物品之间潜在特征向量的非线性交互,使用潜在因子模型和多层感知器的组合去实现用户和物品之间的协同过滤推荐。其次,在获得个体的推荐评分基础之上,设计一种基于纳什均衡的融合策略,应用到微博用户群组推荐中,降低群组推荐的均方根误差(RMSE)。本文主要工作如下:(1)本文提出的个体推荐混合模型在LFM获取用户和物品的线性交互的基础上,利用神经网络的方法,构建用户和物品在潜因子空间上的MLP模型,用来获取用户和物品的潜特征向量之间的非线性交互。并将两个子模型相融合,在个体推荐上取得了比传统的LFM更高的推荐精度。(2)在面向微博用户的群组推荐中,研究并分析传统的融合策略,借鉴博弈论的思想,将求解最佳群组满意度的问题转换为求纳什均衡的问题。相比较于传统的融合策略,此方法在群组推荐中RMSE的均值最低,推荐效果更好。(3)个体推荐的实验结果表明,本文提出的混合模型相比于优化后的LFM模型,推荐精度提高了3.17%;群组推荐的实验结果表明,本文提出的纳什均衡融合策略比均值策略提高了6.83%。