随着互联网社交平台的快速发展,网络信息和资源迅速膨胀,网络用户社交关系也日益复杂,信息过载的问题越来越突出。推荐系统作为一种信息过滤系统,通过对用户历史行为数据、网络用户社交关系以及网站项目特征的深度挖掘和分析,构建个性化偏好模型,为用户推荐其需要的信息。文本主要研究分析如何利用社交用户的影响力分布和兴趣相似度提高概率分解模型的精度。根据用户活跃度、信息质量、兴趣相似度改进了基于PageRank的局部影响力模型,结合用户历史行为、主题倾向提出了兴趣相似度计算方法。最后,将两者融合到概率矩阵分解模型中,提出了IS-PMF模型。本文主要工作如下:首先,概述了问答社区的背景、意义和推荐系统研究现状,介绍了推荐系统的几种传统算法,文本特征提取技术及推荐系统相关技术;阐述了社交网络和影响力的计算分析方法,为本文的研究提供了理论基础。其次,本文提出了利用用户历史行为数据来综合衡量用户-项目评分。由于传统推荐算法往往使用显式反馈的评分矩阵进行计算,但是随着社交网络发展,越来越多的社交网站只存在隐性反馈,另外只利用显式反馈数据会造成数据稀疏、冷启动等问题。所以选择利用用户历史行为数据综合衡量用户-项目评分。再次,本文通过对用户历史行为记录的分析,利用LDA主题模型提取了用户感兴趣的主题向量。最后,通过对比用户之间主题向量的相对熵得到用户之间的相似性。这是针对隐式反馈场景中衡量用户相似度相对较为困难的情况下而进行的改进。最后,根据问答社区的特点,根据改进的局部影响力算法和用户相似度计算方法构建影响力邻居和相似邻居,将用户影响力分布与用户相似度融合到概率矩阵分解模型当中。然后在爬取的网络数据集中验证了本文提出的推荐算法的可行性,并取得了较好的实验效果。