个性化推荐的出现是为了解决信息过载给用户带来的困扰以及减少其带来的时间和资源的浪费。当前,多数的推荐服务所针对的对象为个体用户。但是,随着各种各样的社交网络快速发展,人与人之间的交流越来越方便,由此也使得人们参与群体活动数量的快速增长。当一个群体面临选择难题时,需要满足的是群体成员的需求,而不是群体内某一个体成员的需求,因此传统的个体推荐服务已经无法满足需求,这就需要在个体推荐的基础之上对群体推荐进行研究。群体推荐的方式主要有两种,一种是聚集模型,通过对群体内用户的兴趣进行聚集,形成群体兴趣模型,再依据该模型对群体进行推荐。另一种是聚集预测,先对群体内的个体用户进行推荐,再选用合适的聚集策略对个体推荐结果进行聚集,产生群体推荐。这两种群体推荐方式都涉及到了聚集策略的问题,聚集策略的研究成为当前学术界关注的重点。本文通过对聚集策略的深入研究,在分析现有聚集策略优缺点的基础上,将信任网络引入群体推荐算法中,通过对群体内部的信任网络结构分析,提出两个新的群体推荐算法。具体研究工作如下：(1)总结了国内外关于信任网络以及群体推荐的研究现状,并对相关的理论和研究基础进行深入分析,指出信任网络对于推荐服务的提升作用,以及社交因素对群体推荐的影响。以聚集预测为主要的聚集策略研究对象,分别基于用户和项目进行协同过滤推荐算法分析,从而得到个体的评分预测,为下一步的群体推荐提供聚集对象。(2)群体中由于个体之间的群体影响力和专业权威的不同,个体对于最终群体决策的影响大小不同,因此应当在推荐时赋予用户不同的权重。本文首先利用PageRank算法和信任网络计算用户的影响力权重,然后利用用户的评分频度计算其权威性权重。最后综合考虑二者,提出了基于用户权重的群体推荐算法。实验分析了群体信任饱和度对RMSE的影响,通过与其他聚集策略的对比,证明了加入权重分析能够有效提升推荐质量。(3)考虑到现实中的群体决策是一个协商交流的过程,因此本文对用户之间的协商交流过程进行了模拟,指出影响协商交互的三个因素：信任、个性和偏好差异。在深入分析这三个因素的基础上,提出了基于用户交互的群体推荐算法。通过在不同聚集策略上的实验表明：平均策略的推荐效果最好,交互后比交互前的推荐效果要好。