随着互联网的高速发展,各种信息资源呈现井喷趋势,仅仅依靠搜索引擎已经难以为用户提供优质的信息服务。为了缓解信息过载问题,各大公司纷纷构建推荐系统,为用户提供精准的个性化推荐服务。在一些网站上,用户可以随意为喜欢的物品打上社会化标签,这些标签不仅可以反映用户的偏好和态度,也折射出物品的内在属性。因此,标签感知推荐系统将这些协同行为产生的社会化标签作为一种内容信息,为用户提供个性化的物品推荐。为了解决标签所带来的稀疏性、多词同义和一词多义问题,一些基于深度学习的标签感知推荐模型被提出,大大提升了推荐性能。然而,这些模型也存在一些不足亟需改进:对用户偏好的建模仅利用显式的标注行为或者隐式的历史交互物品,难以全面刻画用户的偏好;物品的多维性使得不同用户选择同一物品的深层原因不尽相同;仅依靠全连接层难以缓解多词同义和一词多义问题。为了更好地利用社会化标签提升推荐性能,本文针对现有研究存在的不足进行了深入研究,提出了两个新型的标签感知推荐模型,分别通过注意力机制和图神经网络来捕获全方位的用户偏好;此外还利用标签交集来探索用户—物品交互的深层原因。本文的主要研究成果包括:（1）对社会化标签的优缺点进行深入分析,挖掘现有研究存在的不足,充分利用深度学习模型在提取隐式表达和建模特征交互上的优势,并结合注意力机制和图神经网络等前沿技术,设计出推荐效果更优的标签感知推荐模型。（2）提出基于标签的注意力交集模型AIRec,利用多层感知机将稀疏的标签向量投射到隐式空间中,利用两层的注意力网络来学习用户混合表达,综合考虑显式的标注行为和隐式的交互物品,创新性地提出利用标签交集来增强对用户—物品共有特征的学习,并通过因子分解机捕获二阶交互信号实现评分预测。（3）提出基于标签的图卷积模型TGCN,利用图卷积神经网络来捕获节点的高阶连接性,在多跳邻居信息聚合的过程中兼顾用户的标注行为和交互物品。提出Trans Tag方法作为嵌入层,利用多个“通道”来隔离不同类型的邻居,设计了通道内的加权注意力机制来甄别邻居重要性,并通过多通道的卷积神经网络来提取跨通道特征从而更新节点表达。（4）在两个公开数据集上,与现有标签感知推荐模型相比,本文提出的模型在多个评估指标上取得更优的top-n推荐效果。此外,还设计了一个原型系统,利用用户的标注记录来实现个性化物品推荐,从而验证了本文模型具有良好的推荐效果。本文首先介绍标签感知推荐系统的背景和研究意义,分析当前研究的现状和不足,接着对标签感知推荐系统进行简要综述,提出本文的技术路线。在此基础上,提出了注意力交集模型AIRec和图卷积模型TGCN,并对模型的具体结构和训练细节展开叙述。在两个公开数据集上进行了详细的实验评估,设计并实现了一个原型系统,最后对未来的研究工作进行展望。