协同过滤（Collaborative Filtering）作为解决信息超载问题的有效推荐技术，已成功应用于推荐系统。本文中将社会网络的用户影响力融入到传统的协同过滤算法中，利用用户的影响力表示用户的推荐能力，通过实验对比分析不同用户影响力的量化方法对推荐算法性能的影响，并提出基于推荐能力度量方法融合的协同过滤算法。针对在实验中观察到的长尾现象，建立模型基于影响力对用户进行区分，寻找协同过滤过程中的关键用户。进一步，在构建用户影响力传播网络中加入产品的属性信息。提高推荐系统信息利用率的同时，弥补协同过滤一直很棘手的数据稀疏性缺陷。　　实验研究中，我们对比分析了传统协同过滤、基于二部图资源分配、结点的度和PageRank算法的度量方法对推荐性能的影响，并提出基于推荐能力度量方法融合的协同过滤算法。实验结果显示基于二部图资源分配算法与结点的度或PageRank方法的融合，在推荐多样性方面表现出比较好的性能。针对协同过滤推荐中长尾现象的研究表明，用户的推荐能力并不与用户的影响力完全正比，关键用户来恰恰是“中庸”用户。另外，产品属性的加入对解释用户的偏好起到很好的修正效果。基于加入产品属性补全的用户影响力传播网络，我们改进了原有的个性化推荐系统。实验结果表明，加入产品属性后，推荐系统的性能得到了一定程度的提升。