互联网的迅猛发展使得数据量急剧增加。面对海量的数据，用户很难快速找到自己感兴趣的物品，信息过载问题由此产生。推荐系统针对不同用户,分析用户的历史行为，依此向用户推荐他感兴趣的物品，可以达到用户和物品生产者双赢的局面，很好地解决了信息过载问题。推荐系统已成功应用到多个领域，包括电子商务、电影和视频、音乐、社交网络、阅读、基于位置的服务、个性化邮件和广告等。因此，对推荐系统及推荐算法的研究具有重大意义。　　早期的推荐算法主要有三类，主要是基于协同过滤的推荐算法、基于内容的推荐算法以及混合算法。社交网络的流行以及Web2.0技术的繁荣发展，使得推荐系统更加地关注用户的社会化信息，社会化推荐系统被提出并得到发展。同时，更高级的推荐方法也在研究并发展中，包括深度学习法、张量分解法等等。　　然而，推荐系统依然存在很多挑战，如数据稀疏性问题、冷启动问题、社会化推荐系统问题。本文主要研究张量模型在推荐系统的应用，针对社会化标签推荐和学术推荐本文提出了两种改进的基于张量模型的个性化推荐算法。主要工作包括以下几个方面：　　(1)提出图正则化张量分解标签推荐算法。在传统张量分解的基础上，引入用户关系矩阵推出的图拉普拉斯作为正则化项，提高分解的质量。　　(2)提出基于张量模型的学术推荐算法Higher-Order MutualRank（HOMR），应用于学术推荐。HOMR在异构的学术网络下建立张量模型，相比传统的二阶模型有更好的学术推荐效果。　　(3)利用相关数据集（Delicious，LastFM，AAN）,实现并且对比了所提出的算法与传统方法的实验性能。