协同过滤算法是迄今最为流行的推荐算法之一,但是传统的协同过滤算法都面临着数据稀疏性的问题。现有的系统主要是通过辅助信息来缓解这一问题,但是这些方法并没有充分挖掘各类信息中所蕴含的价值,从而限制了模型的性能。为了解决此问题,本文提出了基于用户影响力和隐式因子的推荐方法。首先,本文使用PageRank算法计算用户的全局影响力。然后,考虑到影响力大的用户在推荐中起引领作用,本文将影响力作为权重对评论文本进行预处理。我们认为这是对平台内影响力大的用户"言论"进行扩散的过程。接下来,利用评分和处理后的评论文本,在一个共享的主题空间使用潜在主题模型对用户偏好和物品特征进行建模;结合学习到的用户偏好分布和物品特征分布,使用矩阵分解技术对用户-物品评分矩阵进行分解。最后,用最终得到用户和物品的潜在特征向量对模型进行预测。本文在公开数据集Epinions上进行对比实验和结果分析。结果表明,将用户影响力加入模型能极大提升系统的推荐性能,而且模型在召回率方面相较于已有的推荐方法也有一定的提高。