随着互联网及电子商务的快速发展,基于协同过滤的个性化推荐技术无论是在学术界还是工业界都有着广泛的研究与应用。协同过滤算法通过分析用户兴趣,在用户群中找到与指定用户(兴趣)相似的用户,综合这些相似用户对某一信息的评价,形成系统对该指定用户喜好程度预测。然而在实际推荐系统中,用户只会对很少一部分物品评分,使得尽管近20年来学术界研究不断产生新的算法,提出新的模型,协同过滤算法仍然面临数据稀疏性的挑战。随着近些年来社会化标签的兴起,即用户在浏览物品的时候,还可以对物品进行标注。这些标签,一方面反映了用户对物品的偏好,另一方面是对物品语义的自然语言描述。这些信息,为我们克服传统协同过滤算法中面临的数据稀疏性问题提供了新的思路。本文主要研究如何在协同过滤算法中融合这些社会化标签信息。在研究当前结合标签的推荐算法基础上,第三章提出使用三部图来表达推荐系统中用户、物品、标签及其之间的关系,并应用随机游走算法为用户推荐前N个物品。同时本章还通过不同的构建三部图的方法来分析标签的作用,即分别以用户为中心的三部图挖掘“用户和标签”关系(标签代表了用户的偏好)以及以物品为中心的三部图挖掘“物品和标签”关系(标签是对物品语义的描述)。在三部图框架的基础上,第四章进一步提出一种基于Lasso Logistic Regression模型的标签扩展算法,通过关联与标签潜在语义最相关的其他标签,使得物品的语义能被更加完整的标注,从而降低社会化标签中噪音和稀疏性等问题所带来的负面影响,实验结果证实了这种本文所提出算法的有效性。最后,本文对低秩矩阵重建这一当前热点研究问题在推荐系统中应用展开探讨,为后续的研究工作做出了铺垫。