随着人们的需求不断提高,推荐的目标从单一变成了群组,群组推荐逐渐成为研究的焦点。群组推荐的特点是它需要同时考虑一个群组内所有成员的偏好,但目前的研究存在一定的不足,包括:第一,群组推荐方法的研究中大多使用固定的、对称的关系权重进行预测项目评分,但群体决策过程复杂,需要在群体成员之间进行权衡。现有的研究往往忽略群体成员之间复杂的关系影响导致群组推荐准确度偏低;第二,在现有的研究中虽然对于时间迁移问题已经有了不少成果,但大多是针对个性化推荐系统且是在相似度计算部分引入,在群组推荐系统中较少使用,导致了群组推荐因缺少时间权重因子带来的推荐结果准确度偏低问题。为了解决上述问题,提出一种融合影响力和时间因素的群组推荐方法（GRS-IT）。首先,该方法通过模糊C均值聚类与皮尔逊相关性结合的方法对数据集进行群组划分,发现高相似度的群组,进而有效的提高群组推荐效果和稳定性;然后,在群组中设定一个领导者,表示领导者的影响要大于普通成员的影响,对群组的抉择起到一定的决策作用,寻找领导者的方法则是确定相似度值与隐式信任度值达到最大,找到领导者后获取领导者与成员、成员彼此之间的动态影响权重,降低群组推荐的误差率;最后,将基于人类遗忘曲线的时间函数融入到项目评分预测中,解决时间迁移对推荐带来的影响,即预测评分随时间变化赋予不同的时间权重值,进一步提高了群组推荐的准确性。采用对比实验对GRS-IT的有效性进行验证,结果表明在Movie Lens数据集上与其他群组推荐方法相比,推荐结果在推荐准确度和群组成员满意度方面都有显著提高。该论文有图23幅,表20个,参考文献65篇。