随着信息技术的飞速发展,互联网进入Web2.0时代,网络中的信息资源呈爆发式增长,带来了信息过载的问题,学术界针对该问题提出了推荐系统的解决方案。推荐系统通过用户的行为记录推断出他们的兴趣偏好,从而为用户提供个性化的推荐服务。协同过滤是目前应用最为广泛且效果比较突出的一种推荐技术,它的基本工作流程为:利用用户的历史评分数据构建一个用户-项目评分矩阵,并通过该矩阵为依据计算用户之间的相似度,然后参考与目标用户相似的用户的评分记录进行评分预测,最终根据预测结果为目标用户进行项目的推荐。但随着互联网中用户与项目数量的不断增长,协同过滤技术面临着数据稀疏性问题的挑战。社会化标签作为Web2.0时代的一种典型应用,它允许用户使用任意单词或短语对互联网中的资源进行标注。标签既体现了资源的特征属性,也反映了用户的兴趣偏好。如果将用户的评分数据与标注记录相互合并,系统将能够更好地分析用户的兴趣偏好,从而提升推荐的质量。本文针对传统协同过滤技术的数据稀疏性问题,提出了一种基于标签的协同过滤推荐算法。该算法通过结合评分数据与标签信息,为用户构建了总体兴趣分布模型与个别兴趣偏好模型,并综合考虑用户兴趣与项目标签等因素进行评分的预测。实验表明本文提出的算法可以有效提高数据稀疏条件下系统的推荐质量。基于该研究成果,本文针对某个APP的实际需求,设计并实现了一个推荐系统。