随着信息技术的发展,“信息过度”已经成为人们急需解决的问题之一。由于传统的信息过滤方法不能满足用户的个性化需求,社会化信息过滤方法应运而生。其中以协同过滤推荐技术为核心的个体个性化推荐,在理论和实际应用上都得到很大发展。　　群体推荐是个性化推荐领域一个新的研究热点,它面向群体,而非个人。人的复杂性和异质性是群体推荐的研究难点之一,而普通群体推荐系统往往无法平衡所有群体成员的偏好,所得的推荐结果会造成群体整体满意度的低下。针对该问题,解决思路之一群体成员对推荐项目进行协商。本文将基于案例推理方法和协商理论用于群体推荐系统,通过模拟群体成员在推荐项目上进行协商来达成一致,并根据该思路提出算法。　　本文首先阐述了个体推荐、群体推荐、协商理论和基于案例推理方法的理论基础和研究现状。根据群体成员对项目的历史评价作为知识库,从群体成员角度出发,首先考虑简单双人小组推荐,通过Agent模拟群体成员针对推荐项目协商的过程,设定一定的协商轮数和耐心程度,达成一致并获得推荐;针对多人小组推荐,提出将小组成员分组,先通过组内成员的协商,然后进行组间协商,最终达成一致并获得推荐;推荐完成后通过用户反馈对群体成员的知识库进行及时更新。最后,选取MovieLens数据库进行实验评价,结果表明,针对不同规模的群体,本文算法的推荐质量都明显优于对比算法。