随着互联网用户的个性化需求和社区化生活方式的推广,Web2.0下的社会化标签系统迅速发展。为了更好的利用社会化标签系统,学者从不同的方面给予研究：标签标注模型、标签的可视化研究、标签的应用以及社会化标签系统中的局限性。本文主要研究社会化标签应用中个性化推荐的核心基础即用户兴趣社区构建,具体工作主要包括以下几方面：1本文首先阐述构建用户兴趣社区的研究现状,介绍所涉及的聚类技术,社会化标签系统,用户兴趣社区的定义,研究了在社会化标签中构建用户兴趣社区的谱聚类,层次聚类以及K-means算法等方法。2介绍K-means算法使用的目标函数改变定理,正态分布,D2思想等相关知识,研究了核K-means算法及其关特性,重点分析该算法的不足,提出了一种基于D2权重的核K-means聚类算法,在公共数据集UCI上对新旧算法进行验证,证明改进的算法具有更好的聚类效果。3分析K-means算法在构建用户兴趣社区中的不足,提出基于语义和时间的聚类框架,使用改进的D2权重核K-means算法与K-means算法对用户聚类进行对比实验,证明改进的D2权重核K-means算法能够更好地识别用户兴趣社区。