在Internet快速普及的进程中，电子商务等信息呈现服务正在以难以置信的速度急速发展。客户面对这些信息呈现服务中的众多选择，从中挑选出自己真正需要和喜欢的项目已成为一个重要需求。近年来兴起的推荐系统成为解决这些问题的重要途径之一。目前推荐系统在电子商务和多媒体评价等服务领域已经被广泛应用，但它仍存在一些难题，其中最为严重的是稀疏性问题、冷启动问题。此外，推荐系统的推荐效果的好坏，也是最大程度影响推荐系统的应用情况的因素。　　本文首先研究了推荐系统及其遇到的问题，然后提出了一种在推荐系统中的社会化背景下的TagIEA专家度模型，该模型能够一定程度上缓解稀疏性问题和冷启动问题，它分为因素度量层、因素融合层和专家度影响层。在因素度量层中定义专家度的4个评价因素，即包括受信影响度、评分积极度、标签积极度和评分准确度后，在因素融合层中融合各因素来得出专家度数值，最后按照专家度影响层中的定义来影响项目评分，进而影响推荐结果。　　提出TagIEA专家度模型后，本文研究了如何通过TagIEA专家度模型来预测评分和得到推荐结果。本文先通过应用该模型来预测评分并填充到评分矩阵中，然后在填充过的评分矩阵的基础上，结合标签相似度来计算用户相似度，对协同过滤算法做出了改进。最后，将两种推荐方法进行结合后产生了综合推荐结果。　　文章最后对所提出的模型和推荐方法进行了实验，实验表明，基于TagIEA专家度模型的推荐方法的效果，要比传统协同过滤算法的效果更好。此外，文章设计并实现了基于上述模型的参考原型，以便研究者了解该模型的应用方法。