随着社交网站的快速发展,社会化标注逐渐成为了Web2.0中人们非常感兴趣的研究方向。社交网站中因其使用开放式标签分类和检索内容的简单性而在网络上越来越受欢迎。社会化标签有助于用户对物品进行注释和分类,越来越多的用户通过社会化标签提供关于用户自己的信息,社会化标签既描述了物品内容,又反映了用户的兴趣偏好。然而,目前标签推荐系统面临的问题是:用户手动输入的标签较少,而导致的社交标签系统中大量的数据稀疏性问题以及大量的的歧义问题和语义模糊的标签。传统的标签推荐算法通常将社交网站中用户、物品和标签的三维数据进行分解转化为三个二维关系来进行分析,因此传统的标签推荐算法会丢失三维数据空间中所隐含的部分信息,致使高维模型数据的结构被破坏,进而导致标签推荐的准确性有所降低。而张量模型可以完整的表示高维数据内部所蕴含的所有信息,对张量模型进行高阶奇异值分解挖掘三者之间的关系,以此提高推荐结果的准确性。为此本文针对标签推荐系统中的三维数据引入三维张量模型进行研究,利用三维张量的3个维度分别描述社会标签系统中3种类型的实体用户、物品和标签,应用高阶奇异值分解的方法降低张量的维度,进一步提高推荐系统的准确性。本文以提高标签推荐系统的推荐精度、效率和质量为研究目的,提出了一种改进张量分解推荐算法。推荐算法首先对用户进行相似性计算,将具有相似特征的用户进行分类以保证数据具有初始聚合性,对权重进行优化,然后应用高阶奇异值分解对分组后的数据建立三维张量模型。实验证明此算法降低了标签推荐系统中数据稀疏性问题并提高推荐结果的准确性。