近年来,随着互联网的快速发展,网络信息不断膨胀,其中包含的各色数据也正以庞大的规模快速增长并逐渐积累。这些资源的增长幅度远远超过了用户数量的增长,因此面对海量的数据资源,用户想要准确找到自己感兴趣的信息变得异常困难。为了能够快速准确的锁定用户感兴趣的信息,推荐系统应运而生。推荐技术中应用最广泛、传播学者最多的就是协同过滤。汇集整理一部分使用对象的选择偏好,并以此为基础推测其他使用对象的选择偏好,这就是协同过滤的核心。已有的协同过滤研究中,仅仅考虑用户评估信息或产品项目主动表达偏好给出的信息即显式数据或用户行为和选择这样的隐式数据来进行推荐,造成了原始评价矩阵数据稀疏。虽然目前已有几种广泛应用的相似度计算方法,但是由于没有考虑跟风用户以及时间变化的影响,推荐的效果并不理想,而且扩展性较差。因此,本文针对以上的问题提出了基于用户影响力和潜在因子的协同过滤推荐方法(UIPF-CF)。相较其他的协同过滤推荐方法仅仅考虑一种数据类型,该方法在考虑显式数据的同时加入了对隐式数据的处理,并且引入了贡献因子和时间衰减函数,在传统的基于图模型的方法上有所突破,一定程度上缓解了评分项目的稀疏性,在提升推荐的覆盖率、准确性和扩展性等方面有着较突出的贡献。本文的主要工作内容如下:第一,本文通过复杂网络中的介数来描述用户的影响力,结合评分数据提出基于用户影响力的评分预测方法。同时考虑了显式数据和隐式数据,缓解了评分项目的稀疏性。第二,引入潜在因子-贡献因子这个概念,并在计算相似度时考虑时间衰减优化,提出基于潜在因子的评分预测方法。其中贡献因子限制了盲目跟风用户的权重,时间衰减函数反映出了用户对项目的兴趣随时间推移而发生的改变。第三,对基于用户影响力与基于潜在因子的两项预测评分结合进行加权处理,得到最终的评分集合,形成最终推荐。最后,在真实的数据集上对本文提出的基于用户影响力和潜在因子的协同过滤推荐方法与传统的协同过滤推荐方法进行了验证。最终结果表明,本文提出的方法在某些指标上的表现要优于其他方法,证明了方法的有效性。