随着网络技术的快速发展,信息爆炸式的增长使网络中信息超载问题变的日趋严重,用户在网络中很难找到有用的信息,一些很少被关注的信息也被淹没在信息的大海中,成为孤岛信息。传统的搜索引擎无法帮助人们有效的解决这个问题,个性化推荐系统应运而生。推荐系统的本质就是为用户找到符合其个性偏好的资源对象,现有的推荐系统都不可避免的面临着很多问题,如推荐精度、“冷启动”和用户兴趣随时间变化等问题。如何有效解决这些问题成为众多学者的研究目标。近几年,Web2.0技术的成熟使得社会标签系统得到广泛应用。社会标签以一种新颖的形式创造了更好的平台,让人们更高效的查找网络资源。因为社会标签可以提供对象高度抽象的内容信息和个性偏好信息,因此利用标签辅助推荐有助于提高个性推荐的精度。为了解决传统个性化推荐系统的局限性问题,本文主要研究如何利用标签系统来提高推荐系统的性能。针对个性化推荐系统中用户兴趣随时间改变的问题,在用户-标签-对象三部分图结构中,结合标签使用频率和用户添加标签的时间,提出了一种利用标签时间加权的资源推荐算法,同时在Delicious和MovieLens两个数据集中进行仿真实验。实验结果显示利用标签时间加权的算法能有效地提高推荐的精度和多样性,并且标签类别越丰富,推荐精度就越高。在进一步的实验中发现,数据集中对象度越小本文提出的推荐方法表现越好,结果也证明本文利用社会标签提出的推荐算法能够解决推荐中的“冷启动”问题。