近些年来已经见证了信息的爆炸，因特网和万维网信息的这种指数级的增长使人们面临着信息过载的问题：太多的数据和信息源使人们不容易找到相关的物品。推荐系统技术已经被证明是应对信息过载问题的有力而富有价值的工具，在诸多领域发挥着不可或缺的作用。随着因特网的急剧发展，Web2.0时代已经形成并流行起来，使得用户从消极的消费者转变为积极的内容制造者。伴随着用户的标签标注行为产生的是大量有价值的信息，这强烈地暗示人们可以利用这些信息来提供个性化的服务。首先，本文对推荐系统研究的背景、意义及国内外现状进行了阐述，介绍了其应用、实验方法及冷启动问题；其次，本文重点阐述了所做的改进性研究工作，包括以下两个方面：（1）修改用户-物品评分矩阵计算方法。本章对传统的基于内容的推荐系统进行了修改，对基于用户的协同过滤推荐系统进行了改进。将标签用作内容属性修改了物品的模型表示，通过标注在物品上的标签集来计算用户对物品的评分，修改了用户-物品评分矩阵的计算方法，并通过一个简单的案例证明修改后的基于用户的协同过滤算法在推荐准确性方面的表现要好于传统的基于用户的协同过滤算法，通过实验证明修改后的基于用户的协同过滤算法确实在命中率和命中排名得分方面要好于传统的基于用户的协同过滤算法；（2）设计了一种推荐引擎架构。推荐引擎采用一种推荐算法完成一种推荐任务，推荐引擎包括数据预处理模块、相关矩阵生成模块、推荐列表生成模块和过滤排名的后处理模块；最后，设计了推荐系统的功能模块架构，包括用户标注历史查询、标签使用趋势查询、用户相邻网络构建、用户资源推荐、标签清理、标签推荐和标签扩展7个功能模块。本文讲述了测试集和训练集的划分过程，描述了如何进行特征的变换和数据格式的转换、用户兴趣模型的构建和用户相似度的计算，实现了资源推荐功能模块，并展示了推荐结果列表的用户界面。