A survey on group recommender systems

论文记录

1. 群组推荐系统的大多数现有方法可以大致分为：

1. 通过汇总单个成员个人资料并根据该个人资料推荐项目来创建个人资料（Kim等，2010）。

2. 通过向小组用户生成个性化推荐，然后将它们汇总为一个小组推荐（Kim and El Saddik 2015）。

1.1 群组推荐系统也可以根据系统推荐的群组类型进行分类。 基于组用户之间的交互，主要可以分为三种类型（Boratto和Carta 2010）。

1. 已建立的群组：一群基于共同兴趣明确选择加入该群组一部分的人（Kim等，2010）。

2. 偶尔的小组：一群偶尔一起做一些活动的人。 在特定时刻，例如计划休假，所有小组成员都将有一个共同的目标（Garcia等，2011）。

3. 随机群组：一群人在特定的时间共享一个环境，彼此之间没有任何联系，就像乘坐公共交通工具的乘客一样（Crossen等，2002）。

2. 群体聚集模型

小组推荐系统中的主要任务是设计一个模型，该模型聚集了小组成员的所有首选项。 可以根据组的需求选择不同的聚合策略来完成此聚集。 如果项目出现在用户偏好里，则为

2.1 汇总投票

在“汇总投票”中，任务是确定一组可以增加组中所有用户的总体个人满意度得分的项目。 目的是使群组的整体满意度最大化。


汇总投票选择满意度值最高的前k（= 2）个项目。 在此示例中，项目集{1，4}使群体满意度最大化，因此这是“汇总投票”的最终建议。

2.2 最小痛苦策略

在“最少痛苦”方法中，任务是推荐商品，使它们在组中的用户中使个人最低满意度得分最大化。由于目标是最大程度地提高用户的最低满意度，在考虑整体群体满意度时效果会很差。由于对空建议的每个用户的初始满意度为0，因此，“最小痛苦策略”会选择在第一次迭代中提供最高群体满意度的项目，即该用户有此最高偏好项目的，偏好满意度加一分。它在每次迭代中更新单个用户的满意度，并选择满意度最低的用户。在接下来的k − 1次迭代中，该算法查找仍未添加到推荐集中的满意度最低的用户的偏好，并添加可以使组满意度最大化的项目。

对于示例1中的数据，在第一次迭代中，它选择项1并将其添加到推荐集，因为它最大程度地提高了群体满意度（来自表2）。第一次迭代后，用户的个人满意度如表3所示。

2.3 等级汇总策略简介

取三个用户（u1，u2和u3），并让用户提供项目（i1，i2，i3 … i8）的评分。许多等级汇总策略在群组推荐中起着关键作用。表4给出了最小的痛苦策略。对于一个项目来讲，选择最低的等级作为其群组等级。排序的项目列表按其群组评分降序进行选择。

加性功利主义是一种将每个项目的个别评级相加的策略。它也被称为平均策略，因为所得到的小组排名所获得的结果与平均各个评分的结果相同。在乘性功利主义中，每个项目的个人评级都会相乘。乘法聚合模型通过计算用户偏好的几何平均值来生成群组推荐（Christensen和Schiaffino 2011b）。表5和表6分别解释了加性功利主义和乘法性功利主义。在“最快乐”策略中，组评分由最高评分（而不是最低苦难）决定。

复数投票是一种群组推荐技术，它允许每个用户仅对一个项目投票，并且向组推荐具有最高投票数的项目（Salehi-Abari and networks 2015）。 Copeland方法（Colomer，2013年）通过采用用户的成对偏好来生成建议。公平策略使用用户偏好生成群体推荐（Kasˇsˇák et al.2016）。批准投票为用户喜欢的所有项目分配分数。假设每个用户对所有评分高于特定阈值的项目进行投票（假设为5）。批准投票中项目的组评分是单个投票的总和。表7列出了基于每个投票者在特定阈值之上的评分，通过批准投票策略对项目进行排名的列表。表7基于表4中给出的等级。

2.4 使用汇总策略开发的系统（应用实例）

• 掌上餐厅查找器（Mccarthy 2002b）通过将小组成员在不同类型的功能（位置，成本等）上的个人偏好平均化，向一群人推荐餐馆。

• (Masthoff 2011）显示，在选择电视节目序列以适合一组观众时，乘法功利主义最有效。

• Polylens（O’Connor等人，2001年）使用“最少痛苦”聚合策略，因为它假定人们倾向于小群观看电影，而当最不满意的成员满意时，小群则倾向于开心。他们提出了一种算法，用于合并用户的推荐列表并对排序后的列表进行排序；他们使用最小痛苦原则。

• LGM（Shi等人，2015年）使用平均聚合方法，该方法将用户所有偏好的平均值取平均值，并产生前k个建议。这里，平均聚集策略用于通过更改组大小n来比较从用户的配置文件聚合和用户的建议聚合获得的结果。

• MusicFX（McCarthy和Anagnost，1998年）使用了平均数的变体而没有使用最小痛苦算法。在对用户首选项进行预处理之后，将平均无痛苦策略应用于这些首选项。没有使用最小痛苦策略的平均是平均聚集策略和最少痛苦策略的组合。

• Agarwal等人研究了订购在群体推荐系统中的作用。（2017）。在这项工作中讨论了贪婪聚集，最小痛苦策略和带有优先策略的最小痛苦策略。在平局中，最不满意的成员中，痛苦最小的人优先选择优先级最高的成员。此外，还提出了匈牙利聚合方法，该方法可按顺序生成建议。

• CATS（McCarthy et al。2006）是一种混合聚集策略，它使用聚集投票来产生最初的建议，然后使用最小痛苦策略来减少群体的痛苦。

• 电视领域实施并测试了多种投票策略。

• Let’s Browse（Lieberman et al。1999）使用批准投票评估系统考虑的页面是否与页面轮廓阈值以上的用户个人资料相匹配，并推荐得分最高的页面。

• (Masthoff 2011）表明，博达计数是一种在选择一系列适合于观众的电视节目时会产生更大满意度的策略。 TravelWithFriends（De Pessemier et al。2015）使用它来排名前五名的旅行目的地，推荐给一个团体。

3. 获取群组推荐系统的用户首选项

建议的质量高度依赖于首选数据的质量。 小组推荐中的数据获取可以大致分为三类：

3.1 显式数据采集

在这种类型的数据获取中，将为用户提供一份调查表，并根据等级量表收集他们对商品的偏好。这些评级基于直接偏好收集。偏好可以在单个项目中收集（Castro等人，2017），也可以在一组项目中收集，例如流派偏好（Shi等人，2015），艺术家等。在这种类型的数据获取中，主要问题是数据稀疏性。由于该组的所有成员都无法指定所有可用项目的等级，因此在使用显式首选项构建推荐模型时应解决数据稀疏性问题。项目的Kemeny排序（Baskin和Krishnamurthi 2009），预期评分算法（Dery等人，2010）用于解决此问题。 Ye等人使用概率方法。 （2012）和Gorla等。 （2013）填补用户项目评分矩阵中的缺失值。最近的邻居方法以及遗传算法（Chen等，2008）也可用于预测缺失的评分。

3.2 隐式数据采集

在这种类型的数据获取模型中，用户无需直接指定其首选项。通过监视用户的行为（例如在网站上花费的时间，活动历史，组成员之间的社会关系，性别，年龄等）来间接收集数据。社会关系信息被用于推荐生成，因为这些模型是在社交网络平台上实现的。** SIS模型（Ye et al。2012）使用音乐访问历史记录和位置历史记录来向群组推荐音乐**。 Flytrap（Crossen等，2002）使用用户的播放列表和活动历史记录。社交标签信息还可用于生成推荐（Kim和El Saddik，2015年）。可以使用有关组成员的隐式数据来探索许多社会因素。 LGM（Shi等人，2015）从矩阵分解中提取隐式因子，从而提高了建议的质量。

3.3 负反馈数据采集

消极偏好与积极偏好同等重要(Kompan和Bielikova 2014)。当群组推荐的设计目的主要是为了避免群组成员不喜欢的某些项目时，负面偏好更为重要。 用户可以选择自己不喜欢的商品，不希望他们出现在最终推荐中。 负偏好系统会以少数群体的意见增强用户的影响力（Chao等，2005）。 否定的用户偏好可能直接取决于数据项，也可能取决于诸如电影流派，音乐长度，食物类型等一类项目。Very few works（Basu Roy等，2014；Quijano-Sánchez等，2014； Salamo等人（2012）考虑了小组成员的负面反馈。 负反馈在用户不喜欢项目集中的某些项目的情况下可能是有效的，因此此信息可用于提高组的满意度。

4. 有关群组推荐器系统的领域说明

以下小节介绍了有关域的群组推荐中可用的最新系统

4.1 电影群组推荐系统

HappyMovie（Quijano-Sánchezet al。2011）是一个向脸书上的一组用户推荐电影的系统。 该系统利用有关用户的社交和行为信息来改进建议。 通常，必须填写大量调查表才能获得有关用户的社交和行为信息。 但由于该系统是在社交网络平台上实现的，因此可以轻松推断出数据。 用户的社交和信任资料是根据用户的Facebook资料自动计算得出的，而个性资料则是通过问卷调查创建的，用户还需要对一些电影进行评分。 根据她的个人资料将协同过滤应用于推荐项目。

HappyMovie（Quijano-Sánchezet al。2011）系统利用社会因素并生成解释来提高个人和团体的满意度。该系统具有在社交网络平台本身上实现的直接使用用户的社交关系和其他信息的优点。

潜在群体模型（LGM）（Shi et al。2015）是一种新颖的群体推荐模型，在该模型中，将拥有相同潜在因子的用户（如电影类型）形成一个群体。 对于每个组，将组中所有用户的潜在因子配置文件汇总到一个组配置文件中，并将矩阵分解用于向这些组的推荐。 组概要文件是通过聚合从用户潜在因子矩阵生成的。

矩阵分解用于检测共享相似潜在因子首选项的用户组。 对群组的推荐是根据群组的资料和包含基于用户偏好的潜在因素的成分向量计算得出的。

Boratto等人使用的方法，首先生成个人推荐，然后使用k均值聚类算法来识别用户之间的组。 提出的基线组预测算法在用户项偏好矩阵（M）上应用了k均值聚类算法。 形成了具有共享相似偏好的成员的用户组。 还提出了一种改进的群体预测算法，该算法可以预测矩阵M中未知的用户偏好等级，并在最终获得的完全填充矩阵M上应用k均值聚类算法。实验结果表明，改进的群体预测算法具有很好的效果。 比基线算法更好。 在预测用户之间的分组之后，使用基于协同过滤的用户项方法来生成分组建议。

群组建议的概率方法，这些模型可以估算用户喜欢电影的可能性。 群组相关性（Gorla等人，2013年）定义为与每个用户（无论是群组成员还是个人）的项目相关性的组合。 由于可以更好地对小组成员进行建模，因此可以产生更高质量的小组建议。 在数据中，使用概率模型估算用户未评级的项目。 在最终建议中，仅考虑超过阈值的用户项目评级。 使用该数据计算两个矩阵E（用户－项目特征矩阵）和F（项目－用户特征矩阵）。 最小痛苦策略用于使用矩阵E和F来计算相关性向量r。首先计算针对单个用户的项目推荐，然后使用具有特定于组特征的概率相关性框架将它们合并。

COM（COnsensus模型）（Yuan等人，2014）用一种新颖的概率模型对小组推荐进行了建模。 作者对建议的看法是：推荐决策受与小组相关主题具有专业知识的人的影响，并且不同的用户对小组的决策有不同的影响。 因此，COM包含了选择历史记录和用户的个人评分。 在汇总用户对项目的偏好时，权重将分配给不同的组成员。 此模型还考虑了用户个人和小组成员的行为变化。 对于概率参数估计，使用了两步Gibb的采样方法。

Baltrunas等人提出的两种模型。 使用混合方法来生成小组推荐，这两个系统都使用协同过滤。 虽然在Baltrunas等人中使用了秩聚合。 对建议进行协同过滤后进行过滤。 Top-N Rec使用基于内容的方法和协同过滤并行生成建议。 合并结果以产生有用的建议。

Baltrunas等人中的群组是随机形成的，也使用相似性准则。 通过基于协同过滤的矩阵分解方法对商品进行单独的用户评分预测，然后根据排名汇总方法对商品进行排名，并将排名最高的商品推荐给用户组。 用户之间的相似性是使用Pearson的相关性来计算的，而Kim和El Saddik（2015）中的方法则使用余弦相似度来查找组成员之间的相似度。 作者还反驳了群组建议的有效性随着小组规模的增加而降低。 他们的结果表明，对于小组人数超过八个的小组，建议是有效的。 它还揭示了这样一个事实，即按项目排名的顺序生成小组推荐也会增加用户对推荐的满意度。

Top-N Rec致力于为娱乐，旅行等领域最重要的群体生成Top-N项目的推荐。此模型使用基于内容的广告和 针对每个用户的协作同过滤方法。 聚合策略将单独用于生成组推荐。 最后，根据基于内容的结果对由协同过滤推荐的项目进行重新排序。 该模型基于一种直觉，即认为使用这两种方法推荐的项目比单个技术推荐的项目更合适。 当在标准数据集上评估提出的模型时，发现它的性能要优于基于内容的协同过滤和许多传统的组推荐技术。

Agarwal等人在群组建议中引入顺序。在用户给出的首选项中，他们还按照他们希望查看推荐列表的顺序给出他们的首选项。用户的满意程度与其喜好与所产生的推荐的相似度成正比。引入了一个新的参数，称为用户对订单的满意度，使用该参数可以根据推荐来计算每个用户的满意度。为了降低聚集方法的计算复杂度，提出了一种近似算法，称为贪婪聚合方法（GrAM），其准确性有所降低。另外，作者提出了匈牙利的聚集方法。作为“最小痛苦”方法的扩展，提出了“优先最小痛苦”，它可以提高总体组满意度，而计算时间却略有增加。实验结果表明，在群组推荐中引入顺序可以提高小组满意度。在提议的共识功能中，匈牙利聚合模型比其他现有模型给群组带来了更大的满意度。

4.2 音乐群组推荐系统

MusicFX（McCarthy和Anagnost，1998年）是针对共享环境（如健身中心或健身房）的专业音乐推荐系统。它包含馆内所有成员的喜好数据库。 MusicFX为体育馆成员和员工提供了两种不同的界面。体育馆成员可以更新自己的偏好，并可以匿名提供反馈。允许体育馆工作人员监视系统并更改可更改建议生成策略的参数。由于留在体育馆中的组会动态变化，因此系统中的一项功能是借助体育馆入口处的授权系统在任何时间点维护体育馆中存在的用户列表。因此，建议会根据体育馆中的当前组动态更改。根据用户的反馈，许多用户对MusicFX产生的建议非常满意。该专家推荐系统已扩展到其他领域，例如餐馆（Mccarthy 2002a）。

Flytrap（Crossen等，2002）是一种智能音乐推荐系统，可以播放满足系统周围用户需求的歌曲。 当安装在用户计算机上时，Flytrap会跟踪用户在其计算机上播放的音乐，并将相应的数据上传到Flytrap的数据库中。 该系统获取音乐即流派，艺术家等的元数据，并将其存储为用户的偏好。 这种方法不同于用户在许多传统的团体推荐系统（例如McCarthy和Anagnost（1998））中明确给出偏好的方式。 该系统还避免了相同类型和艺术家的连续重复。 当用户的射频ID（RFID）卡进入正在播放音乐的主系统的预定义附近时，它会自动识别用户的进入并更新其状态。 因此，推荐是动态产生的。

Christensen和Schiaffino（2011b）的作者提出了两个专家系统，jMusicGroupRecommender，jMoviesGroupRecommender，这两个系统通过合并单个用户的建议，汇总单个用户的评分并最终生成群组偏好来生成组推荐。在这项工作中，提出了一种合并技术，一种生成组偏好的技术，四种聚合技术以及一种包括合并和聚合的混合技术。每种技术都是基于所有小组成员的个人满意度进行评估的。每首歌曲都包含一些属性，例如艺术家，专辑，语言，流派等。这些属性用于预测组成员的未定义偏好。在本文提出的所有算法中，据报道，混合技术在一组用户中具有较高的个人满意度。与自动共识选择（Gartrell等人，2010）相比，该模型为用户提供了在开始时选择共识的选择。

Kim and El Saddik（2015）提出的系统是一种群体推荐系统，向社交媒体系统中的团体推荐音乐。 在此，提出了一种新颖的基于图的随机方法，该方法以概率方式分析链接结构。 该模型使用社交媒体系统上的标签向项目推荐项目。 该模型支持两种类型的小组推荐：（i）个人喜好的汇总和排名的计算（ii）首先计算个人排名，然后组合获得的排名。 此方法使用了随机游走重新启动（RWR），已在信息检索，Web搜索排名等领域中广泛使用。使用余弦相似度来计算一对用户之间或一对项目之间的相似度。 当使用标准数据集进行评估时，建议的模型优于许多基线方法。

当用户项目矩阵稀疏且用户的偏好未知时，传统的组推荐技术无法产生更好的推荐。 数据稀疏性问题以不同的方式在小组推荐系统中处理。 Ghazarian的模型采用项目-项目相似度来填充用户项目评级矩阵，而Baskin等人则使用Kemeny排序和预期评级算法分别对项目进行排名。

Ghazarian和Ali Nematbakhsh（2015）的模型中计算项目-项目相似度，并使用计算出的相似度来增强现有的基于内存的推荐技术。 相似度是一个介于0.0到1.0之间的十进制属性，这是在该模型中添加到每个项目-项目对的额外属性。 最初，将此模型中使用的SVM学习技术与其他回归模型进行比较，发现SVM优于其他模型。 所提出的模型优于潜在因子模型，后者通常被认为是在基于内存的模型中使用的最佳方法。

4.3 群组旅行推荐系统

CATS（Collaborative Advisory Travel System）（McCarthy等，2006）是一种旅行推荐系统，可为一组用户推荐旅行地点。 该系统在名为DiamondTouch的接口设备上实现。 用户既可以作为组成员又可以作为全局用户给出自己的偏好。 设计的界面允许用户形成最大大小为4的组。系统的设计方式是，用户可以动态更改其首选项，并相应地更改推荐项。 组用户模型（GUM）会根据其偏好来生成，并且只要组中的用户首选项有更新，便会同步应用协同过滤。 对设计模型的扩展（Salamó等人，2012）为系统增加了共识协商的功能。

Garcia等人建立了一个模型，向个人和团体向用户推荐旅游景点。通过应用各种交叉和聚合策略，可以将各个建议扩展到各个组。除了用户的偏爱之外，该专家推荐系统还使用用户的人口统计数据及其过去的旅行历史来生成更好的推荐。在此模型中，根据通用推荐系统内核**（GRSK）（与域无关的推荐系统）**生成建议。 GRSK的两个主要任务是对用户配置文件进行分析，以生成用户偏好模型并基于用户偏好模型生成建议。用户配置文件是使用混合排名技术生成的。由于GRSK以非常通用的方式设计，因此相同的框架可以扩展到其他领域。实验结果表明，该系统优于传统的群体推荐系统。

在群组推荐系统中，主要任务是解决用户偏好冲突。因此，Salamo等人提出的系统主要集中于建立共识，聚集用户在小组推荐中的偏好，作为CATS中提出的模型的附加功能（McCarthy等，2006）。作为CATS推荐器系统的扩展，共识协商被添加到模型中以产生更好的推荐。使用滑雪度假团体推荐系统的实时用户偏好数据，评估和分析了基于统计，内容和协作思想的九种共识谈判策略。通过改变组的大小和不同类型的用户组来分析这些策略。分析了每种共识策略的好处，这有助于根据团队需求和可用数据选择要遵循的共识，以生成团队建议。由于对协商一致的关注不多，这项工作是解决这一问题的开始。

Chen等人提出了一个模型，该模型通过从GPS日志，带有地理标签的照片等数据中挖掘人们的属性来生成针对个人和团体的旅行推荐。该模型还通过向社区提供标签来使用社区贡献的照片中的数据组。根据不同的因素（例如年龄，性别，种族等）准备用户个人资料，并根据组的类型（例如朋友，家人，夫妇等）准备组个人资料。通过两种方式对照片进行分析：分析按位置和按时间提交。然后，在考虑所有推论因素的基础上，应用基于概率贝叶斯学习的推荐模型，从而生成小组推荐。实验结果表明，根据照片对旅行组进行预测可以在很大程度上提高推荐的准确性。该系统还可以通过包括旅行持续时间和旅行季节等更多功能来扩展。Park等人提出的模型。 （2008）使用类似的学习模型，即它使用贝叶斯网络向用户组推荐餐厅。

4.4 电视节目的群体推荐系统

Sotelo等人提出的群组推荐系统，向一群用户推荐电视节目。 作者主要考虑需要根据群组的构成来选择共识策略。 除用户首选项外，该系统还需要电视内容元数据。 所提出的模型主要基于配置文件聚合策略，其中每个内容配置文件都包含四个属性：意图，格式，内容，预期的受众。 每个用户配置文件都包含四个向量，每个向量都基于她的喜好包含这些属性。 对于每对用户，计算他们的配置文件之间的相关因子。 根据群组中所有用户对的这些相关因素，将其分类为同质或异质。 然后根据群组的组成类型选择适当的共识。

Seko等人提出了基于观看历史和群组中用户的偏好的帮助下向已知群组的视频推荐系统。系统最初根据观看历史记录和用户的流派等级来估算建议。然后根据偏好来判断内容，并进行相应的更改。此处的偏好将以不同的意义使用。这意味着群体成员之间权力平衡的趋势。在每对用户之间构建一个功率平衡图（PBM），新内容与基于PBM的观看内容相匹配，并计算用于估计他们之间相似度的参数。使用组中所有用户的观看历史记录来计算该相似度级别参数，并将其累加为有用级别Sc。如果“有用级别”值超过阈值，则可以在建议中考虑新项目。实验结果表明，该算法优于基线算法。

在Seko等人提出的模型中介绍了群体性作为表征群体和群体成员之间关系的实体或实体们。除了常用的用户偏好等级之外，用户的行为历史还用于生成推荐。使用包含用户偏好和组的行为历史的功率平衡图来生成推荐。首先，基于组的行为历史来计算体裁频率（GF），然后使用各个等级创建功率平衡图，然后将**行为趋势得分（BS）计算为每个项目的体裁频率的平均值。使用合并归一化用户评分和行为趋势得分形成的归一化群体向量（NV）**之间的相似性，计算出最终建议。实验结果表明，将行为趋势包括在力量平衡图中会提高所生成小组建议的准确性。 Seko等人的方法。 （2011年）还使用“力量平衡图”为群组生成视频推荐。

4.5 其他的群体推荐系统

Pocket Restaurant Finder是在餐厅领域实现的MusicFX（McCarthy和Anagnost 1998）中使用的概念的扩展。 在这里，除了要考虑用户的喜好外，还应解决该群体用户的地理位置偏爱，例如该群体愿意旅行的距离，到该位置的旅行时间等。当一个群体拜访新地点并希望在附近找到一家餐馆，则此系统会根据用户的偏好以及指定位置餐馆以前的公开评分来找到餐馆。 该系统还通过不让用户互相查看喜好来保护一组用户的隐私。

Park等人提出了一种使用概率多准则决策为动态环境中的一群人推荐餐厅的模型。由于动态环境非常动态且不确定，因此要使系统可靠，此模型使用贝叶斯网络对个人偏好进行建模。该模型还采用多准则决策方法AHP（层次分析法），根据单个用户的偏好对群体偏好进行建模。整个过程分为四个步骤：收集上下文日志数据，使用贝叶斯网络进行偏好建模，使用AHP进行组建模并生成建议。上下文日志数据可能包括使用GPS提取的位置信息，气候信息（如温度，使用Web的天气）以及一些更有用的信息（如时间，季节等）。实验结果表明，该模型优于基于规则的模型。

为了处理小组推荐系统中的数据稀疏性问题，Baskin和Krishnamurthi（2009）的作者提出了一种聚合算法，该算法基于项目的Kemeny最优排序来聚合用户的相对偏好。 此排序还用于将项目分类为推荐的好项目或坏项目。 由于最佳的Kemeny排序是NP-hard，因此该模型使用了接近最佳的局部搜索算法来降低复杂度。 它采用可变邻域搜索的改进版本，称为“具有邻域启发式（VNS-CD）的可变邻域”，可以对商品进行排序，并且发现其产生的结果比传统的BESTFIT算法更好。 实施此模型是为了向图书馆中的一组学生推荐文章。

可以定义成功管理在线社区的主要因素是群组中成员的保留。 许多群组推荐技术都是基于聚合方法或基于协同过滤的方法，这会使小组的某些部分对结果不满意。 因此，为解决此类问题，提出了一种新颖的在线社区团体推荐系统（GRec-OC）（Kim等，2010），该系统可以分两个阶段工作。 在第一阶段，使用了大多数组推荐系统已使用的典型协通过滤方法。 在第二阶段，从第一阶段获得的建议集中的不相关项将被删除，以提高组中用户的满意度。 在书本推荐系统上对提出的技术进行了评估。 实验结果表明，对于建议的模型，通过推荐获得的不满意用户的百分比较低。

Berkovsky和Freyne设计了一种基于协同过滤的群组推荐算法，该算法还涉及群组数据的聚合。 特别针对家庭小组，朋友等的食谱推荐问题。通过对不同推荐汇总技术的分析，发现当将单个用户模型汇总到小组模型中时，可以获得最佳的小组推荐结果。 个体成员的聚集应以加权方式进行，这样使权重根据个体与组内其他成员的相互作用来确定。 发现交换混合模型提高了系统的准确性。 Yuan等人提出的系统。 （2014）和Recio-Garcia等人。 （2009年）还通过为用户分配权重来汇总用户模型。

5. 社会和行为方面对群组推荐的影响

由于群组决策有时会受到群组中某些成员的影响，因此在群组推荐中融入社交和行为因素（Quijano-Sanchez等，2010）以及用户偏好会提高推荐质量。 人格，满意度等社会因素将提供额外的个性化解释（Quijano-Sanchez等人2017），以产生良好的建议。 已经发展了基于协同的方法，人们可以进行交互和协商偏好，并最终根据所有组成员的同意解决一些问题。 但是，此类方法仅适用于较小的组，而不适用于较大的组。

Gartrell等人提出的模型使用社会因素，如社会描述符，专业知识描述符，相异性描述符，并设计了一个基于规则的系统，该系统将推论出的社会因素纳入到团体推荐中。用户偏好的认知建模以及小组成员之间的社交互动可提高推荐质量（Quijano-Sánchez等人2014）。在针对异类人群的团体推荐中，由于团体成员之间没有太多的社会关系，因此将行为因素与偏好结合在一起将产生更好的推荐。 Recio-Garcia等人提出的模型。 （2009年）使用加权的用户协同过滤以及群体个性组成来生成比传统方法更好的建议。 Seko等人讨论了小组行为历史和功率平衡映射到计算的行为趋势评分，该评分与用户偏好一起用于生成推荐。 微博平台中的外部关注者信息还用于根据该关注者信息将组成员的兴趣关联起来（Wang等，2012）。