随着Web2.0时代的来临，Tag作为一种可以自主实现Web资源个性化分类的技术为个性化推荐系统的研究开辟了新的道路。Web用户通过对Web资源标注Tag，不仅可以更好的组织和查找Web资源，还可为系统分析Web用户的行为及偏好，找到其可能感兴趣的Web资源与相似的邻居用户提供帮助。用户通过对资源进行评分，不仅可直接反应用户对资源的喜好程度，通过资源的总体评分还可以反应出资源的受喜好程度。因而将用户的评分引入基于Tag的个性化推荐系统中，提出基于标签评分的个性化推荐系统(Tag-Rating-based Recommendersystem, TRRS)，对用户评分在基于Tag的个性化推荐系统中的作用、应用及影响进行研究。本文通过结合用户评分、信息检索和集合论的方法，提出基于自适应方法和基于相似性方法的TRRS研究。主要完成了以下工作：（1）基于自适应方法的TRRS研究：根据用户评分的特点，提出评分偏好来对推荐系统中的用户评分进行定性描述，并对用户-项目-标签(UIT)三维空间进行用户-项目(UI)二维空间投影，给出了针对用户的评分偏好和针对项目的评分偏好；利用信息检索中的神经网络模型构建TRRS网络模型，针对用户的评分偏好和项目的评分偏好提出UI推荐和IU推荐；利用自适应方法构建了用户兴趣模型，实现了对用户推荐项目分类和对项目推荐标签的双向推荐，并给出了具体的算法。（2）基于相似性的TRRS研究：利用集合论的方法，通过评分偏好实现了对用户、项目和标签相似性的定性描述；然后通过对TRRS的UIT三维空间进行UT、TI、IU二维空间投影，并建立对应的关系矩阵分别实现了对用户、标签和项目相似性的定量的描述；将传统推荐系统中的kNN和RkNN方法与TRRS相结合，将I-based推荐算法（仅依靠项目的影响集实现推荐）扩展到UIT-based推荐算法（利用用户、项目和标签的影响集共同实现推荐）；利用基于用户、项目和标签相似性的方法给出了4个预测评分公式，用于对用户未进行评分的项目预测评分。实验证明用户评分与基于Tag的个性化推荐系统的结合，对提高推荐系统的推荐效率有积极作用；UIT-based推荐算法相对于I-based推荐算法有较好的推荐效率，用户、项目和标签三者的结合有助于提高系统整体的推荐正确率。