个性化推荐系统通过分析用户的历史行为帮用户挖掘出可能感兴趣的商品或者服务，例如在购物时推荐可能感兴趣的产品，播放音乐时推荐可能感兴趣的曲目等。随着互联网技术的发展，越来越多的应用场景中人们选择以成组形式进行服务或者产品的消费，针对这一类型的推荐系统统称为组推荐系统。当前组推荐系统的研究方向主要集中在帮助一组用户挖掘可能感兴趣的产品，例如公共场所音乐播放，家庭电视节目推荐，团队旅游景点规划等。　　然而在实际中还经常遇到另外一类推荐问题，如礼物套盒促销、专辑促销等针对一组商品的推荐问题，传统的个性化推荐系统和组推荐系统已经不能满足。基于现实生活中用户在决策中会受到其他人影响，同时用户自身的决策也会影响其他人，我们分析得出这类商品组推荐过程可以看成一个多人参与的非合作博弈。推荐的最终结果为每个用户都获得自己的最大决策意愿，商品组推荐问题可转化为博弈中的纳什均衡求解问题，并在文中进一步论证了纳什均衡的存在性。在此理论基础上，本文率先提出一种基于纳什均衡的商品组推荐架构。　　基于纳什均衡的商品组推荐算法利用用户个人的喜好信息和来自于其他用户的社交影响两部分来衡量用户对商品组的消费意愿。首先从所有用户中筛选出可能喜欢该产品组的候选用户集，保证筛选出的用户对产品组中的至少一件产品感到满意。进而对候选用户集中的每个用户从用户自身喜好部分和社交影响进行偏好建模，定义用户在选择“购买”或者“不购买”时候的意愿。然后进行多个用户参与的决策，每个候选用户根据不同选择下消费意愿，依次更新自己的选择。最后利用博弈论中的纳什均衡求解模型找到最可能的消费用户集。　　在文章的实验部分，在Movielens数据集上进一步阐释该算法的推荐过程和解决效果。通过与当前普遍使用的组推荐算法策略进行比较发现，我们提出的算法表现出良好的性能，有效解决了这类商品组推荐问题。