推荐系统是解决信息过载的一种有效工具,经典的推荐系统一般是基于评分的,然而将标签用于推荐也成为一种趋势,标签作为表达用户兴趣和物品特征的有效方式,蕴含着丰富的信息。实现标签与基于评分的推荐系统的融合,将能够挖掘数据中的深层信息,提升推荐的质量,满足用户的个性化需求。为了实现知识的快速发掘以及高质量的推荐,本文以社会化标签和个性化推荐技术为知识背景,以融合标签的协同过滤算法为研究对象,主要进行了如下工作:(1)研究并归纳了将用户日志中的标签信息和评分信息相融合的理论和方法。在此基础上将标签扩展评分矩阵的方法作为研究的重点。(2)提出了一种将标签隐语义和评分融合方法。将(用户,标签,物品)三元组分解为(用户,标签)和(物品,标签)两个二元组,使用词频逆文档频率(Term Frequency-Inverse Document Frequency,TF-IDF)表示两个二元组的值。在此基础上,利用隐因子模型(Latent Factor Model,LFM)提取标签数据中用户和物品的隐特征向量。然后分别采用向量扩充和相似度线性加权两种方式将隐特征向量与评分融合。最后使用基于内存的协同过滤算法进行评分预测。(3)在MovieLens 100K数据集上,对经典的协同过滤推荐算法和融合标签隐语义的协同推荐算法进行了对比实验,证明了所提算法的性能要优于前者。(4)为解决“嵌牛学苑”IT发文管理问题,帮助用户快速发现个性化资源,本文结合所提融合标签的协同过滤算法,设计并实现了一种文章推荐系统。该系统允许用户自由地对所发表资源进行分类,同时可以利用评分和标签信息产生个性化的推荐,为用户提供更好的阅读体验。