随着互联网的发展,标签技术的出现为个性化推荐带来了新的机遇。标签将用户和资源联系起来,描述了资源的特征的同时体现了用户的兴趣偏好,为个性化推荐服务带来了至关重要的数据源。然而,现存的基于标签的个性化推荐系统还存在一些问题,限制了标签在推荐领域的应用。主要包括以下三个问题：(1)标签语义模糊问题,模糊的语义难以准确描述用户兴趣,降低了推荐精度；(2)推荐效率问题,随着用户标注急剧增加,计算规模的增大,推荐效率随之降低；(3)推荐质量问题,忽视了推荐项目本身的质量问题。为了解决上述问题,本文以智能推荐技术为背景,以基于标签的个性化推荐系统为研究对象,以消除标签语义模糊问题,提高标签推荐系统的推荐精度、效率和质量为研究目的,主要完成了以下工作：(1)基于大众标注的语义主题发现分析标注中用户、资源和标签的潜在语义关系,引入PLSA模型并对其进行扩展,通过语义主题发现方法获得用户标注的潜在语义,将用户标注映射到具有明确意义的语义主题上,该方法较好的消除了标签语义模糊问题。(2)基于语义主题的用户兴趣模型在语义主题发现研究的基础上,利用语义主题所包含的语义信息对用户兴趣特征标签进行组织,构建了三级的基于语义主题的用户多兴趣模型,并提出了更新策略捕捉用户兴趣变化。该模型较好的描述了用户兴趣特征,基于该模型的个性化推荐提高了推荐精度。(3)基于用户兴趣模型和评分的协同过滤推荐算法研究了基于用户兴趣和评分的协同过滤算法,借助用户多兴趣模型挖掘用户的潜在兴趣点,然后在用户的兴趣范围之内推荐项目,缩小了计算规模,提高了推荐效率；结合项目评分,保证了推荐质量。(4)设计并开发了基于标签的图书个性化推荐系统,介绍了推荐系统的体系结构和推荐流程,并对其进行了比较完整的设计,实现了系统总体框架中的大部分核心功能,通过实验验证了系统的部分性能与实现效果。