在推荐系统中,用户和物品是两个核心的实体。在社会化推荐领域,标签是除了用户和物品之外的另一个重要的实体。标签在社会化推荐系统中帮助用户有效地描述、分类和导航各种各样的物品。从这个角度看,标签是用户和物品之间的桥梁。因此,用户-标签-物品三元关系在推荐系统中可以提供丰富的、有利于推荐的信息,许多研究工作者为挖掘这种三元关系做了许多工作。然而,很少有研究者关注标签质量的挖掘;而且,已有研究多数关注整体的三元关系,很少区分用户-标签和标签-物品这两种二元关系之间的差异。针对已有研究的不足,本文提出一种新颖的标签质量挖掘方法,用于辅助产生物品推荐。这种方法通过在两个空间(标签-物品子空间和用户-标签子空间)中独立挖掘高质量来完成。本文的具体工作为:1、在标签-物品子空间中挖掘主导标签。其中,主导标签是标签-物品子空间的高质量标签。接着,为每个标签确定主导标签,这些标签成为主导标签的下级子标签。最后,建立标签引导概率模型(LeaderProb),通过主导标签与下级子标签共享标签质量,提升低质量标签。2、在用户-标签子空间中挖掘规范化标签。首先,在子空间中剔除冗余兴趣规则,非冗余规则中的前件标签即为规范化标签。然后,建立规范化标签概率模型(RulerProb)。最后,通过规范化标签挖掘用户的潜在兴趣,获取用户更多的兴趣标签。3、将标签-物品子空间和用户-标签子空间通过挖掘的标签结合在一起,建立复合概率模型(ComProb)。找到用户-物品的二元关系,通过ComProb实现最终的物品推荐。实验在Last.FM和CiteULike两个真实数据集上展开,结果表明,对子空间进行标签质量挖掘对提高物品推荐性能有积极的影响。