基于成员贡献的群体推荐系统文献综述

群体推荐系统旨在为群体用户推荐其共同感兴趣的项目，近年来受到广泛关注。

然而，传统的群体推荐系统往往忽略了群体成员之间的贡献度差异，导致推荐结果难以满足所有成员的需求。

为此，本文针对基于成员贡献的群体推荐系统进行深入研究，首先介绍群体推荐系统和成员贡献度的相关概念，然后综述成员贡献度量化模型和基于成员贡献的群体推荐算法的研究现状，最后总结现有研究的不足并展望未来研究方向。

关键词：群体推荐系统；成员贡献度；协同过滤；群体决策；推荐算法

随着互联网技术的快速发展和普及，在线信息量呈爆炸式增长，用户面临着信息过载的困扰，推荐系统应运而生，旨在根据用户的兴趣偏好为其推荐感兴趣的项目。

传统的推荐系统主要面向个人用户，然而在现实生活中，人们往往以群体的形式进行决策，例如，家人一起决定观看哪部电影，朋友一起决定去哪里旅行。

群体推荐系统(GroupRecommenderSystem,GRS)致力于为群体用户推荐其共同感兴趣的项目，近年来受到越来越多的关注。

群体推荐系统面临的一个重要挑战是如何有效地聚合群体成员的偏好，以生成满足群体共同需求的推荐结果。

早期的群体推荐系统通常采用简单的聚合策略，例如，平均策略、最小化策略、最大化策略等，然而这些策略忽略了群体成员之间的贡献度差异，导致推荐结果难以满足所有成员的需求。

为了解决上述问题，近年来涌现出大量基于成员贡献的群体推荐系统研究。