随着社会的急速发展,近些年里互联网发展迅猛,数据量逐渐增大,大数据时代也因此到来。面对杂乱不堪的商品的信息,仅仅依靠引擎上的搜寻是很难达到该时代经销商对于消费者意图的了解程度的,因此用户很难发现真正需要的商品,慢慢形成反复的恶性循环,也同时造成“信息过载”的问题,用户这边很难掌握到他们想要的信息,那么推荐系统的到来就是为了解决这个时代的突出性问题的。像感知推荐系统和实时推荐系统都是给唯一用户进行推荐,这些都是传统意义上的推荐系统,但是在大数据时代,万物皆有关联,人们会经常以组团或团体的形式加入到活动中去,像聚餐、K歌等活动都比较盛行,因此群组推荐的研究是非常具有时代性的意义的。在群组推荐中用户的偏好不同的问题需要在“不同偏好”和“推荐受欢迎的物品”之间做一个衡量。在群组推荐这里主要分为“基于内存”和“基于模型”两个方面,在基于内存的方法中可以进行进一步划分:偏好的聚合和分数的聚合两大类。但是,这两种策略并不能够在聚合成员兴趣时对群组成员进行互动和建模。首先,在协同过滤中引入了“自注意力机制”来解决群组推荐中上面提到两个挑战。其次把深度学习用到了群组推荐中来,用该方法来辅助一些信息建模,当设计到建模协同过滤的问题时,关于在用户-项目交互这点,可以利用矩阵分解来当作用户-项目潜在特征的点乘。据此提出一个通用的框架,称之为NCF基于神经网络的协同过滤框架。NCF框架可以用来表达和进行推广矩阵分解。最后,尽管国内外研究逐渐转向群组推荐的领域里,因此做出了很多高效的探索,但是目前群组推荐准确率低,群组成员之间融合策略不统一,传统的求解方法是矩阵分解,MF因为使用一个简单的和固定的内积,可以用来解决用户-项目交互的难题,从而会造成限制的问题,因此提出了采用self-attention和NCF结合解决群组偏好融合的问题的群组推荐算法,也就是通过self-attention神经网络学习的偏好融合策略,然后通过NCF模型进一步整合用户--项目交互从而进行高效的组--项目推荐。通过去哪网和CAMERA2011数据集,验证了提出的自注意力机制的高效性,相较于常见的融合策略而言,所提出的自注意力机制和NCF框架结合的方法在NDCG和HR上平均性能都有所提高。