在movielens、豆瓣等视频播放网站中,用户给视频标注的标签,构成了视频的描述文档,同时也形成了用户的描述文档,视频标签推荐系统根据这些信息分析用户的喜好特征,并给用户推荐合适的标签。随着网络数据爆发式的增长,呈现给用户的视频资源以及相应的视频标签越来越多,如何准确和快速地为用户提供相应的标签以满足用户的个性化需求成为亟待解决的问题。“用户,视频,标签”表示的三维张量能很好地表征标签推荐系统中三个主要元素之间的关系,进一步使用张量分解,寻找其中的语义关联,可以为用户推荐相对准确的标签。但目前张量构建存在的数据失真问题以及张量分解过程中数据稀疏性问题都影响了推荐的准确度。针对上述问题,本文从三个方面对基于张量分解的视频标签推荐算法进行了研究,并提出了创新点:1)在张量构建阶段,针对“0/1”填充方法,本文提出一种惩罚机制与用户评分相结合的张量构建方法PMUS(Penalty Mechanism-User Score),该方法既能区分标签在不同资源中的权重、突出不同用户的兴趣差别,又能有效消除热门标签的负面影响。实验结果表明PMUS张量构建方法能有效提高标签推荐准确率。2)在张量分解阶段,针对数据的稀疏性问题,本文提出基于随机梯度下降的张量分解算法HOSGD(High Order Stochastic Gradient Descent),在张量展开矩阵的分解阶段,使用随机梯度下降法(SGD)对矩阵进行处理。实验结果表明HOSGD张量分解算法可以很好的处理稀疏数据。3)在张量分解完成后,进一步考虑朋友之间的关联关系,提出了一种融合朋友关系的张量修正方法,结合朋友的相似度对张量分解后的结果进行修正,得到融合朋友关系的推荐列表。实验结果表明融合朋友关系的张量修正方法能有效修正原始张量结果的误差,提高推荐准确率。