新媒体的诞生大大丰富了人们的日常生活，在线媒体广告投放数量和收益都对传统媒体行业产生了巨大的冲击，如果能够实现在线媒体广告的精准投放和营销，将带来可观的经济效益。同时，以协同过滤技术为代表的个性化推荐技术已经应用到许多商业推荐系统中，但是，由于面临着原始数据稀疏、推荐多样性差等问题，该技术尚未在广告推荐领域进行应用。本文通过借鉴社会网络中的用户影响力的概念来改进传统的推荐算法以适应个性化广告推荐领域。　　首先，提出一种新的影响力度量方式。利用所有用户对项目的评分估计项目的质量，再采用方差的概念通过多次迭代来衡量用户的影响力，并以新的影响力作为筛选条件对近邻用户重排序。实验表明这种推荐方式可以在一定程度上提升推荐的准确性。　　其次，采用增量学习的方式降低广告点击数据的稀疏性。在模型训练过程中采用基于贝叶斯的增量学习，平衡正负样本，对无评分的广告点击数据预测其可能点击的概率，并将其作为用户的评分数据。不仅将模型训练结果正确的样本收入备选集合，也将预测概率高于某一阈值的样本收入备选集合，使得模型各项指标均达到标准。　　在此基础上提出结合用户影响力的在线广告推荐算法和改进的基于聚类的个性化广告推荐。前者将基于模型的推荐与协同过滤技术相结合，解决了广告点击数据无评分无法使用传统协同过滤技术的问题，后者在异构信息基础上对广告聚类进而完成推荐，不仅提升了推荐质量，也在一定程度上缓解了数据稀疏性及由此带来的冷启动等问题。