随着HTML5、Web2.0等信息技术的飞速发展,相关研究领域取得了许多突破性成果,从而使得互联网应用日益普及,其应用范围也越来越广泛。这些发展在给互联网用户带来更多内容选择的同时,也使得互联网中的资源以指数级别增长,从而造成信息过载的现象。当用户面对海量信息时,往往无法快速、准确地找到对用户适用或感兴趣的信息,从而导致网络信息资源的浪费和用户的多余的时间消耗。在这种背景之下,个性化推荐系统应运而生。目前,个性化推荐系统已成为解决信息过载问题的最主要的方法,并在长期的应用实践中取得了较好的成效。而在个性化推荐系统中,协同推荐算法由于其简单、实用性高和推荐性能好的特点,使用得最为广泛。本文针对推荐系统的协同推荐算法所面临的数据稀疏性问题、系统冷启动问题、用户的重要性等问题进行研究,结合在线社交网络、标签系统、及协同推荐算法提出了基于用户影响力的协同推荐算法。主要工作包括:第一、为了提高影响力度量算法性能,提出了一种基于多维度的影响力度量分析算法来预测在线社交网络中的用户影响力。在基于用户属性的度量模块中,通过用户在社交网络上的特征来进行度量;在基于网络拓扑结构的影响力度量分析模块中,利用中心性分析算法来对用户所处的网络位置进行度量分析;综合排序模块对前面两个模块得出的度量结果进行综合分析排序。对比实验结果表明,本文提出的算法在度量性能方面优于其它影响力度量算法。第二、本文提出了一种基于用户影响力的协同推荐算法。与现有研究方法不同的是,本文提出的算法综合应用用户偏好、用户之间影响力和协同推荐算法,将这些并入至提出的算法中以获得好的推荐性能。实验结果表明,将用户影响力结合进协同推荐算法中,可以很好的预测推断微博中的用户行为,能对微博中的用户进行较好的资源推荐。基于用户影响力的协同推荐算法不仅在推荐性能上有一定的改善,而且还能给予用户更好的使用体验。