随着全球信息的爆炸式增长,如何从大量的信息中获取有效信息已经变得越来越重要。在互联网高速发展的时代,Facebook、Amazon、微博、微信和抖音短视频等互联网平台的用户在不断增长,大量的用户社交和购物活动会造成信息的过载问题。个性化推荐作为信息过滤的重要手段,是解决信息过载的最有效方法之一。协同过滤算法是目前比较成熟的个性化推荐技术,其主要思想是基于用户之间或项目之间的相似性来进行推荐。然而,该方法中仍存在数据增大后的数据稀疏性问题,以及如何更准确地寻找相似用户的问题等。针对如何更准确地寻找相似用户的问题,本文在基于协同过滤算法的基础上做了以下的探索:（1）构建了用户-项目的二部图,通过单模投影将用户-项目二部图向用户节点投影,根据图的性质,顶点之间可能有很多不同的通路,研究了用户之间距离为2的间接影响力。使用矩阵乘法表示出用户之间的间接影响力,分析了用户间接影响力对用户余弦相似性、用户相关性相似性和用户调整余弦相似性可能产生的反作用和正作用。在真实数据集上的实验结果表明,间接影响力对这三种相似性都产生了反作用。考虑间接影响作用后的相似性更准确地寻找到了目标用户的相似用户。（2）基于用户的协同过滤通常只考虑用户之间的相似性,忽略了项目之间的相似性。因此,本文引入了融合因子,融合用户之间的相似性和项目之间的相似性来提高推荐效果,并在此基础上,考虑了间接影响力所起的反作用。实验研究表明,在公共数据集Movie Lens、Film Trust和Jester下,融合了间接影响力对用户和项目相似性的反作用进一步提高了推荐准确率。（3）由于不同用户对共同项目的评分值体现了用户之间对共同项目的差异性,有可能两个用户都对同一项目进行过评分,但其相似性很小。针对这个问题,我们通过设定评分一致性评分阈值来调整用户之间的差异性。提出了评分一致性算法,并利用用户之间的间接影响力,进一步寻找和目标用户更相似的用户。在公共数据集Movie Lens、Film Trust和Jester下,实验结果表明评分一致性算法在一定程度上寻找到了和目标用户更为相似的用户,提高了推荐准确率。