Hashtag在社交平台中很常见,它是用来标注主题和参与话题讨论的一种方式,它能够提升信息组织和信息传播的效率,从而提高社交网络中的用户参与度。标注Hashtag是一个既复杂又费时的过程,因此大部分用户不愿手动为社交内容添加一些Hashtag。针对这个问题,如何高效地根据用户发表的内容自动推荐Hashtag成为了热门的研究话题。利用文本数据进行Hashtag推荐的研究相对较多,而集中在图像或者将图像和文本结合的Hashtag推荐方法比较少。在社交媒体中用户分享的图像通常包含丰富的语义信息,如果可以借助这些信息,Hashtag推荐的效果就会显著提升。因此,Hashtag推荐研究要充分考虑到图像或者图文结合信息和Hashtag之间的相关性。针对两个不同社交平台的Hashtag推荐问题,本文提出了多个基于注意力机制的推荐算法,并实现了一个博客系统。本文具体的内容如下:（1）针对Instagram社交平台中的图像Hashtag推荐,本文提出了三个基于注意力机制的Hashtag推荐模型:Single-Attention模型是由单个预训练的VGG-16网络和一个注意力模块构成;Hierarchical-Attention和Stack-Co-Attention这两个模型分别使用两个不同数据集训练的VGG-16网络提取图像特征,并利用注意力机制从图像信息中选择出对推荐有用的特征,过滤掉无关的特征。在开源的HARRISON数据集上进行充分实验,验证了提出的模型拥有更好的推荐效果。（2）考虑到Twitter社交网络中信息的多模态性,本文设计了一种基于自注意力与协同注意力机制的Hashtag推荐模型。图像和文本结合能弥补图像Hashtag推荐的不足,自注意力机制能够解决文本序列长距离依赖问题,协同注意力机制可以利用图像和文本之间的互补关系。在Twitter数据集上做了一系列对比实验,结果显示该模型的效果优于其它算法。（3）设计并实现了一个博客系统,并将本文提出的推荐算法融入到该博客系统的算法模块中,完成系统总体架构和数据库的设计,最后进行系统的开发和测试等工作。