随着互联网技术的发展,信息过载与个性化需求之间的矛盾变得日益突出,以推荐系统为代表的信息筛选技术得到了广泛的研究和应用,而协同过滤推荐算法是目前应用最多且最为成功的推荐算法。虽然协同过滤推荐算法已经应用到许多商业推荐系统当中,但其推荐质量仍然未达到人们的期望,面临原始数据稀疏、推荐准确率低、推荐多样性差等问题。本文通过借鉴社会网络中的关键用户识别技术来改进传统的推荐算法提升推荐的准确性。　　首先,提出一种基于社会网络中关键用户的协同过滤推荐算法。构建以推荐系统中用户为节点的虚拟社会网络,通过对连接两个用户节点的边的权重设定阈值,实现对网络进行降维,然后根据用户在网络拓扑结构中的位置衡量其影响力,经过筛选得到影响力较大的用户组成新的近邻集合用于对目标用户的推荐。实验表明与传统推荐算法相比这种推荐方式可以有效的提升推荐的准确性。　　其次,提出一种基于传播网络中关键用户的协同过滤推荐算法。在以推荐系统中用户为节点的虚拟社会网络中,模拟具有某类属性或特征的信息传递过程,构建起信息的传播网络,具有不同属性的信息所构建起的传播网络将会是不同的。而信息在网络中的传播本身就是推荐的过程,通过网络叠加可以得到一个拥有多个属性的项目的传播网络,再从网络中识别出影响力较大的用户节点组成近邻集合用于对目标用户的推荐。通过与传统的协同过滤推荐算法相比较,实验证明改进后的算法可以有效的提升推荐的准确性。