电子商务的飞速发展将人类带入网络经济时代,面对大量的商品信息,用户往往难以发现最需要或最合适的商品。用户希望电子商务系统具有一种类似采购助手的功能来帮助其选购商品,它能自动地把用户最感兴趣的商品推荐出来。推荐系统正是针对以上问题和需求产生的,联系用户和产品信息,一方面帮助用户发现自己感兴趣的商品；另一方面还能让商品展现在对它感兴趣的人群中,从而实现供应商与用户的双赢。自上世纪90年代推荐系统被作为一个独立的概念提出来,研究者们提出了众多推荐算法,并成功应用于实际应用中。虽然推荐技术已成功应用于各个领域,但是仍普遍存在数据稀疏情况推荐精度不高、易受攻击等待解决的问题。传统协同过滤系统忽视了用户的重要性不同和用户之间的重要关系。即不同的用户在推荐中所产生的作用不同。因此,本文从用户重要性方面着手研究,用户的重要性可从多方面进行衡量,本文分别从用户在社交网络中的重要性和用户声誉重要性来衡量用户重要性,主要工作如下：(1)本文梳理了推荐系统的发展历程,总结了各种推荐算法的优缺点,并详细的介绍了协同过滤推荐领域内经典的基于记忆和基于模型的两种算法。除此之外,对协同过滤推荐算法现今存在的问题进行了分析,并在相关研究者的基础上结合用户重要性相关理论提出基于用户重要性的协同推荐算法。(2)提出一种基于社交关系的用户重要性的推荐算法：分析用户社交网络的拓扑结构以及用户之间的关系,通过用户的相似性和网络节点重要性分别得到用户在网络中的局部重要性和全局重要性。一方面,将重要性作为权重调节用户在推荐的作用,以达到提升推荐质量的目的；另一方面,用户的全局重要性不受推荐评分的稀疏性影响,一定程度上解决了数据稀疏情况下推荐精度降低的问题。(3)提出一种基于声誉的用户重要性的鲁棒推荐算法：通过分析用户评分数据建立用户声誉系统,并将用户声誉系统引入到个性化推荐之中。根据用户声誉的分布情况以及结合数理统计知识识别出声誉值在不正常范围的用户,并结合托攻击的特点检测推荐系统中的托攻击用户,以达到提升推荐的鲁棒性的目的。