当前,网络技术日新月异的发展,导致网络数据量与日俱增,使得人们在面对浩渺的网络数据时无从下手,难以找到自己真正需求的商品或其他信息。在用户和运营商的迫切需求下,推荐系统应运而生。推荐系统的本质是为用户找到他们真正感兴趣的商品和信息,然而当前的推荐系统在推荐精度和个性化方面都没有办法满足日益剧增的需求,并且面临着诸如冷启动等的问题。如何有效的解决这些问题,已然成为了推荐系统当前重要的研究方向。本文主要依托于图网络结构推荐算法,通过查阅分析大量国内外相关优秀文献,分析出当前推荐系统需要解决的几大问题,着重对图网络结构推荐算法进行改进。在三部图网络结构推荐算法的基础上,引入了标签系统,利用标签深度浓缩了用户喜好和商品特性的特点,使标签作为三部图网络中的一个节点,改善图网络推荐算法的精度。由于标签具有时效性,传统推荐算法或者标签系统都无法良好的适应用户爱好随着时间变化而改变的问题,为此将用户使用标签的初始时间和使用频率记录,在标签上增加一个时间加权函数,提出了一种时间标签加权的三部图网络结构推荐算法。将本文提出的时间加权标签的三部图网络结构推荐算法在MovieLens和Delicious数据集中分别进行仿真实验,对实验结果进行分析,可以验证本文提出的推荐算法对比于传统的推荐算法具有更高的精确度和个性化,并且能解决用户爱好随时间变化而变化的问题。