随着Web2.0应用以及像微博、微信、贴吧等各种类型社会媒体的发展，人们通过各类网络应用连结在一起形成社群，社群内成员之间交互活动频繁，讨论话题种类繁多。传统电子商务网站也开始向社会化商务模式迈进，交易平台中逐渐植入社交功能，因此面向社交网络的群推荐系统成为推荐领域的热点研究问题。不同类型的社交网络在宏观指标上相似，但从个体微观视角来看，网络形成机制不尽相同。如果能理解这些网络社群的形成原因和特征，有助于为社群用户推荐感兴趣的内容，从而有助于提高用户黏性和进行社会化营销，研究具有较高的理论和应用价值。　　网络社群用户间的连接根据个体动机不同，可大体分为社会选择、社会影响和一些其他外部环境因素。不同类型的网络社群由于形成机制和特征的差异，为群推荐的应用带来了挑战。群推荐系统与个体推荐的一个不同之处在于，最终的决策可能不是由某一位个体做出来,而是群体成员共同协商的结果。因此通过对群体社会选择和社会影响机制的研究，应用于群推荐的个体偏好获取、推荐社区识别和成员协调的推荐策略中，将会取得较好的效果。本文首先对网络群体形成的微观机制和特征进行分析，然后在此基础上，研究社交网络群推荐系统的实现技术。具体研究工作与创新点如下:　　(1)社交网络社会选择和社会影响的作用机制分析。社交网络个体用户间建立联系的社会选择、社会影响作用从理论上容易解释和理解，但在真实网络中，两个机制是相互交织和促进的，如何区分量化两种机制，仍然缺乏有效的方法和手段。本文通过对真实网络的指标分析，确定了量化社会选择、社会影响作用的依据，从而针对混合型双模社交网络，建立社交网络归属模型，再基于闭包原理仿真分析，研究个体参与社区和社区活动的模式。结果表明在社会选择和影响作用效应不同情况下，网络在度分布、网络结构、网络社区划分、传播特性和节点影响力上存在较大差异，而在群体活跃度上差别不大。本文的仿真模型选择依据解释性强，结果符合真实网络实际和已有研究结论，表明对两种作用机制的仿真建模是合理的。　　(2)考虑社会选择和社会影响的用户兴趣偏好获取方法研究。为实现群推荐系统的个体用户偏好建模，本文以LDA模型表示用户的兴趣偏好，提出三种用户偏好的获取方法，首先是利用用户本身的信息进行偏好建模，其次是利用共同参与话题讨论的用户社会选择行为来寻找其最近邻相似用户，通过最近邻用户的信息来获取用户兴趣偏好，最后再考虑用户社会影响力对共同参与话题最近邻兴趣偏好获取方法进行优化。实验结果表明，在不需要用户本身信息的情况下，综合考虑社会选择和社会影响的偏好获取方法，就能获得更加准确的用户兴趣偏好，这为社交网络用户偏好建模带来了新的思路。　　(3)基于选择和影响多维社交关系的社交网络社区识别研究。在现实世界中，由于社会选择和社会影响的共同作用，社交网络往往是多维的，用户节点对之间存在多种交互关系，因此传统的社区识别发现方法不能适用这种情况。为此本文综合考虑社交网络环境下用户间直接和间接，有向、无向和加权的交互情况，从社会选择和社会影响机制两个视角分析社交关系多维度网络构建方法。重点分析多维网络的降维集结机制，实验还进一步引入了用户属性信息，最后在降维后的网络上利用现有方法进行社区识别。实验结果表明本文提出的方法比仅仅考虑单一交互维度的网络划分，更加符合社交网络的真实情况，识别的社区在交互度和划分准确率上更加有效。　　(4)基于社会选择和社会影响的社交网络群推荐策略研究。在社交网络中明确获取用户的偏好信息较为困难，且用户参与社区的动机不同，也难以将个体兴趣偏好集结成群体的兴趣偏好。针对以上情况，本文通过隐式反馈方法对群用户的偏好建模，然后针对选择效应和影响效应影响程度不同的社交网络，根据群体对个体偏好的影响大小实现对群中用户的分类和群的分类。再探讨两类群的群推荐候选方案的产生过程，提出群推荐策略。实验结果表明本文提出的基于社会选择和影响的社交网络群推荐策略，解决了群推荐的推荐结果协调问题，优于一般的个性化推荐方法，且实现群分类后，还能指导其他社会化营销的应用，具有很好的扩展性，实用价值较高。　　本论文从微观视角分析了社会选择和社会影响的作用机制以及网络特征，然后将选择和影响两种机制应用在群推荐的个体用户偏好获取、社区识别和推荐策略上。本文的研究有助于理解社交网络社区的形成机制、结构功能特点和群体行为模式，对于企业构建面向社交网络的群推荐系统和开展社会化营销活动，具有较高的参考价值。