随着信息时代的发展,信息过载问题日趋严重,面对海量信息,用户通过搜索引擎准确获取所需信息已越发困难。个性化推荐技术的出现为用户处理信息过载问题提供了一种有效的信息过滤机制,使得信息获取结果更加符合用户的偏好和需求。个性化推荐方法的核心问题是对用户需求的理解,用户需求的准确理解与表达是推荐出满意的个性化结果的前提条件。个性化推荐理论广泛应用于各行业,推荐服务的对象逐渐从单个用户向群组扩展。在某些场景下,推荐资源的对象并不适合单个用户,而是一群用户,也称为“群组用户”。这不仅促进群组推荐的发展,而且也给群组推荐技术带来挑战。目前,群组推荐方案有以下2种:一是,群组成员的特征偏好被融合为一个整体来描述群组特征偏好,以融合后的群组特征偏好进行资源推荐;二是,聚合单用户个性化推荐结果,以单用户个性化推荐结果集作为群组推荐集。为了发掘成员共同行为偏好,最大化群组成员满意度,本研究识别与计算群组成员偏好向量,融合群组成员偏好,准确表达群组行为偏好,并以协同过滤方法为基础构建群组推荐模型,具体过程包括以下四步:用户相似度计算、用户社群聚类、偏好预测、资源推荐。本研究结合移动环境下用户行为特征和情境信息特点,从群组聚类发现、群组行为偏好特征向量构建、群组推荐计算方法设计三个核心部分对移动环境下融合情境信息的群组推荐模型进行研究,主要内容如下:(1)群组聚类发现:群组聚类发现是以数据特征为依据选取合适的相似度计算方法,计算用户行为相似度,从而将行为偏好相似的用户聚类为一个群组。本研究涉及的数据主要是流式数据,参照流式数据特征,选择序列比对算法计算用户行为主题序列的相似度。(2)群组行为偏好特征向量构建:群组行为偏好是由群组成员行为偏好融合而来。群组成员的归属度是融合行为偏好的重要权重,也可视为群组行为偏好融合过程中的贡献度。本研究提取与集成时空情境,准确计算群组成员的归属度,充分融合群组成员行为偏好。(3)群组推荐计算方法设计:通过量化用户偏好,结合群组成员的行为偏好向量,计算群组行为偏好特征向量。基于协同过滤思想构建移动环境下融合情境信息的群组推荐模型,以群组为对象进行资源或服务推荐。