标签推荐是一个新的研究方向，其旨在为目标资源自动添加标签作为描述信息，来缓解标签空间噪声数据增多、标签指代内容模糊等现象。目前，标签推荐方法主要有基于内容的方法、基于协同过滤的方法以及基于图的方法，但这些方法都没有考虑标签间的依赖关系。而在标签系统中，标签之间具有很强的依赖关系，利用这种依赖关系会提升推荐的性能。　　 针对标签推荐研究中忽略标签关系这一问题，本文提出将标签关系融入推荐模型来改进推荐性能。在推荐过程中，使用排序值衡量候选标签与资源的相关。性，排序值越大表示两者越相关。本文使用条件随机场(CRF)模型对候选标签进行排序，该模型引入标签间的关系信息，从排序输入向量和候选标签间的共用关系两个方面计算排序结果。具体来说，本文的主要内容如下：　　 本文首先对标签推荐已有算法进行简单的描述和分析，并对条件随机场模型进行介绍。　　 接着，研究和实现标签推荐算法。本文先分析和实现目标算法的基础算法——基于最大熵理论的标签推荐(ME-TR)算法。在此基础上，引入标签共用的依赖关系，提出基于条件随机场的标签推荐(CRF-TR)算法。在大规模的数据集上，标签数据较丰富，使用标签对共用关系的CRF-TR算法的推荐性能优于ME-TR算法。　　 最后，对本文提出的算法进行实验验证与分析。实验的结果表明，引入标签关系信息的CRF-TR算法的性能优于其他的算法。将提出的CRF-TR模型应用到“杏坛——汉语学习网”的课程标签推荐中，实现了在线课程标签推荐系统，取得了较为理想的推荐结果，具有很好的推广性。