随着大数据应用技术的发展,推荐系统有着广泛越来越广发的应用。豆瓣网上的推荐系统会推荐符合用户口味的书籍、电影;音乐应用上会为客户推荐最近听过的类似音乐。实现智能推荐系统最为核心的内容便是推荐算法。目前推荐算法多是基于协同过滤或基于内容方面,而在某些实际应用当中需要使用到标签数据。标签数据就是用户对内容的标注。通过处理标签数据的推荐算法在通常的推荐系统中运用还不多,但在一些专门的推荐系统中具有一定的优势。为了解决现有的基于标签推荐的算法在实际应用中存在的问题,本文在以下几个方面进行研究:首先,针对现有基于标签的推荐算法在数据集建模方面存在的问题,构建了一种无向加权图模型。在模型中,顶点表示数据对象,边则表示数据对象之间的行为,顶点属性表示数据对象的特征。基于此模型,本文提出了 VertexRank算法。接着,针对该图模型仅仅记录了数据对象间打标签的行为这一问题,提出了记录数据对象间标签出现次数的模型。基于此模型设计推荐算法TagBasedRank。将两种模型得出的推荐列表进行加权组合,提出CombinationRank综合推荐算法。接着,由于上述的推荐算法处理的数据均是数据对象行为数据,而不是数据对象本身。这就会导致没有行为数据的数据对象无法得到推荐。针对数据对象“冷启动”问题,通过计算数据对象间的相似度,将相似度高的数据对象专家加入上述模型,进而修改了图模型和基于标签的模型,缓解了“冷启动”问题。最后,通过实验对本文所提出算法的推荐效果进行了验证。通过对比改进前后的推荐算法,表明本文改进后算法在推荐的准确率和覆盖率上的性能优于未改进的推荐算法。改进后的算法可以较好地满足实际应用在推荐功能上的需求。图[21]表[8]参[41]