给定拥有不同技能的专家集合、专家合作社交网络以及一项任务,社交网络中团队形成问题的研究目的在于形成一个能够完成该任务的团队,该团队必须满足任务的技能需求并且成员能够高效的合作。只有良好的合作才能体现出团队的真正价值。借助专家合作社交网络提供的历史合作信息,可以在团队管理中使用自动化的团队形成方法形成高效合作的团队,从而有效的提升管理效率和生产力。在众多以往工作中提出了不同的通信开销函数来衡量团队的合作强度。然而,团队内部分组的组织结构从未被考虑过,而这在实际的生活场景中是很常见的。本文针对以往社交网络中团队形成问题的一些不足,提出了一个针对分组团队的通信开销函数,称为分组领导者距离。以该函数为目标函数,本文定义了分组团队形成问题。分组团队中有一个团队领导者管理多个小组领导者,每个小组领导者管理多个组员。在问题的定义上增加了一些约束,以更符合实际应用场景。专家分配约束要求一个专家至多被分配到一个小组中,组基数与技能覆盖约束要求每个小组分配一定数目的具有相应技能的组员。为了解决分组团队形成问题,本文提出了一个精确求解算法,称作AP(Assignment and Pruning)。给定小组领导者分配最优组员作为一个子问题,可以通过构造成一个经典的分配问题来求解。AP算法基于一个剪枝的框架,通过有效的过滤出小组领导者的组合,并按照子问题的解法得到其最优组员,最终得到最优解。AP算法得到精确解的代价是其在大规模的数据集上效率不理想。因此本文针对AP算法的两个瓶颈,通过设计合理的贪心规则,进一步提出了两种拥有更高效率的启发式算法。GreedyAP(Greedy Assignment and Pruning)算法针对解决子问题的部分,提出了最小值优先和最少替补优先两种贪心策略来分配组员,并结合剪枝框架得到最终结果。最小值优先策略相对比较直观,而最少替补优先策略则更容易得到可行解。AGG(Assignment and Greedy Group-leaders)算法针对剪枝框架,以最小值优先的策略选取小组领导者,再转化成分配问题得到组员分配。GreedyAP算法得到的分组团队效果更好,而AGG算法的可扩展性比较强。三种算法各有各的优势和适应的场景。本文通过在人工数据集和真实数据集上的大量实验,评估了所提出算法的有效性和时间效率。实验结果表明,本文提出的精确求解算法的剪枝效果显著,且时间效率远远优于穷举法;两种启发式算法在时间效率大大提升的基础上,在不同通信开销函数的测度下均表现良好。同时实验也验证了分组团队形成问题的定义在实际场景中的合理性。