随着信息时代的快速发展,海量的信息数据呈指数倍增长导致出现信息过载的问题。推荐系统作为缓解信息过载问题的重要方法之一,可以根据用户的偏好为用户提供所感兴趣的服务。然而,目前大部分推荐系统的研究主要针对单用户进行个性化推荐,随着社交网络的不断发展,以群组为单位的活动屡见不鲜,如公司团建,组队旅游等,但是个性化推荐很难满足以群组为单位活动的需求,因此群组推荐系统应运而生,可以为群组提供所感兴趣的服务,成为当今研究的热点之一。在群组推荐系统中,现有的大多数群组推荐系统都是针对固有群组进行推荐,难以挖掘用户的潜在偏好,捕捉用户间的潜在相似关系来发现群组;此外,在群组推荐时还需要考虑群组内的动态复杂性问题,用户偏好之间会彼此影响,最终影响群组推荐的结果。因此,本文主要阐述了挖掘用户潜在偏好来发现潜在群组的技术与方法以及如何缓解群组内的动态复杂性问题,并设计了一种基于注意力与潜在关系的群组推荐系统。主要工作如下:（1）从群组发现角度,针对用户之间存在的潜在关系,提出了一种融合注意力机制与知识图的群组发现方法。该方法通过用户与项目的历史交互数据构建知识图谱,并利用注意力机制来挖掘知识图谱中实体间的高阶潜在关系信息通过聚合获取用户的潜在偏好,然后利用聚类的方法对用户偏好进行划分形成潜在的群组,最后对相关方法进行实验分析。（2）从群组推荐角度,针对群组推荐时组内存在动态复杂性的问题,提出了一种融合上下文信息与自注意力机制的群组推荐算法。该方法利用群组内成员的上下文信息通过自注意力机制学习成员之间的相互影响关系,从而缓解组内的动态复杂性问题,并将群组看作为一个用户进行个性化推荐;最后将提出的群组推荐算法与基准算法进行对比实验,结果表明该方法在推荐的命中率HR与NDCG两个评价指标相比于基准算法均有提高,有效的缓解了群组内的动态复杂性问题,可以得到更优的群组推荐结果。（3）从群组推荐系统角度,本文基于以上方法设计了一种基于注意力与潜在关系的群组推荐系统,该系统是由Movielens数据集构建的电影推荐系统,并使用Python进行系统交互的搭建。