李婷婷，楚俊峰，2*，王燕燕

（1.福州大学 经济与管理学院，福州 350108；2.福州大学 决策科学研究所，福州 350108；3.福建农林大学 公共管理学院，福州 350002）

0 引言

大数据时代的信息过载问题以及用户如何快速精准地获取满足自身需求信息的困扰日益凸显，推荐系统是缓解信息过载和实现个性化服务的有效途径之一［1-3］。传统推荐系统虽然能对单个用户提供推荐服务，但在具有一定社会属性的领域会受到限制，如视频服务、购物、旅游线路规划等［4］。线上到线下（Online-to-Offline，O2O）商务是一种整合线上和线下市场的新商业模式，它激励在线用户在线下实体商店购买，旨在促进线下销售［5］。为提高O2O 服务推荐质量，Han等［6］提出了一种基于用户上下文信息和信任服务的O2O 服务推荐算法。为缓解O2O 服务匹配的马太效应，Yang 等［7］提出了一种考虑O2O 服务资源有限动态特性的O2O 服务匹配自适应优化算法。虽然O2O 服务推荐得到有效利用，并提高了推荐的准确度，但大多专注于单个用户的服务需求推荐，未考虑群体用户的推荐需求。O2O 服务推荐也可以为群体服务提供良好的应用场景：用户群体在线创建或加入如一群朋友计划旅游、寻找餐厅或影片、一个社区或附近居民团购等以群体为单位的活动，并从中获得推荐服务以在线预定或订购服务，然后到线下商店享受服务［8］。

需要考虑群体内每位成员的偏好需求的推荐系统，被称为群体推荐系统（Group Recommender System，GRS）［9］。GRS和个体推荐系统间的相同点是两者在推荐过程中均使用个性化推荐算法；……