随着信息技术与互联网的迅猛发展,信息过载问题严重影响了用户体验度,互联网中的信息生产者和消费者两大阵营都将面临巨大的挑战,信息消费者如何能够快速的找到自己感兴趣的信息,信息生产者如何能够让自己生产的信息受到广大用户的关注,都将成为棘手的问题。此时,推荐系统应运而生,很好的解决了这一问题。推荐系统能够联系用户和信息,一方面帮助用户发现对自己有价值的信息,另一方面让信息展现在对它感兴趣的用户面前,从而实现信息生产者与信息消费者的双赢。但是随着互联网品类的不断扩大,推荐系统也开始逐渐细化,根据互联网中生成数据的侧重点不同,相继产生了不同的推荐算法,例如,根据用户行为数据,提出了基于用户或物品的协同过滤算法,根据用户标签数据,提出了基于模型或图的标签推荐算法,根据时间或地点上下文信息,提出了基于时间上下文的推荐算法和基于位置的推荐算法等,根据社交网络数据,提出了基于社交网络的推荐算法等。本文侧重研究标签推荐算法,在社会标签推荐系统中,用户以“标签”的形式为其浏览的物品标注信息,获得用户对物品比较准确的关键词描述,从而有效的提升推荐系统的性能,本文提出两种标签推荐算法,基于张量分解的标签推荐算法以及基于时间加权三部图的标签推荐算法。两算法的侧重点不同,张量分解算法巧妙的利用张量模型来挖掘用户、物品、标签之间潜在的语义关联,在离线的条件下计算出关联权重,并在在线的条件下进行标签推荐,而基于时间加权三部图的标签推荐算法则是利用三部图模型,并加入标签时间衰减因子,使得标签推荐的实时性更高。能够高效的进行在线实时的标签推荐。基于张量分解的标签推荐算法引入三维张量模型,利用三维张量的三个维度来分别描述社会标签推荐系统中的三种类型实体:用户、物品、标签。在基于标签元数据构建初始张量的基础上,应用张量分解以及高阶奇异值分解等技术,实现张量降维的同时成功的挖掘了三种类型实体之间潜在的语义关联,从而进一步提高标签推荐系统的准确性。基于时间加权三部图的标签推荐算法以加权无向三部图为模型,应用BM25加权方案并结合标签时间衰减因子计算三部图的边权,从而生成基于三部图的邻接矩阵。最后通过Katz值计算来预测标签节点与用户物品节点之间所有可能的路径权重之和,并依据路径权重来决定用户-物品对的个性化标签推荐排名。实验结果表明基于张量分解的标签推荐算法和基于时间加权三部图的标签推荐算法在准确率和召回率性能评估指标上均较典型的标签推荐算法在性能方面有明显提升。