随着社会网络的日益壮大,人们越来越重视知识的共享,基于web的打分评价系统在电子商务与消费点评网站中的应用也越来越广泛。此类网站中广泛存在着用户和对象两种实体：用户可以给对象进行打分,系统根据用户的打分计算出对象的最终评分,而最终评分的高低影响着对象的排名。用户在选择购买某种商品服务时,通常会参考产品的评分,并根据系统提供的其他用户的已有经验做出选择,为了引导用户选择某个特定的产品,Spammer(这里泛指某些有恶意网络推广行为的人),将排名系统作为自己的重点攻击对象。如何提高评分系统的准确度,是近年来数据挖掘领域的研究热点。一个优秀的排名算法应足够健壮,在有噪声的实际应用环境中依然可以提供相对准确的对象最终评分和排名,从而减轻Spammer攻击的影响。算法还应具有可收敛等特性,否则很难被应用到实际环境中。为此,现有较多研究引入用户信誉度的概念,通过衡量用户信誉度的高低来重新调整用户打分的权重,从而提高排名算法的健壮性。本文将深入讨论该领域的各种算法,并在已有算法的基础上,提出一个更为健壮、高效的新算法,从而提高打分系统排名结果的准确度。本文的工作主要包括：●介绍国内外基于用户信誉度的评分推荐系统算法的研究现状,阐述两种主要的推荐系统类型：内容驱动型和用户驱动型。●阐述用户驱动型算法的模型结构,详细介绍已有的用户驱动型算法,分析并总结各种算法的优缺点。●在对已有算法进行实验、分析的基础上,利用中位数不易受极端打分影响的特性,提出基于中位数的用户信誉度评分算法,LIMED和L2MED。●在多个真实的数据集上对上面提出的两种算法进行实验。第一,将对比各算法计算得出的对象得分与Benchmark之间的相似度以及各算法的信誉度分布；第二,简单介绍协同过滤算法的思路,并将LIMED和L2MED算法预处理后的数据应用于SVD++上,与原有数据集上运行得出的RMSE值进行对比,结果比无处理的原始数据上得到的结果更为优秀,表明了算法的有效性。