随着Internet和Web2.0技术的飞速发展,社会化标签系统的应用也越来越广泛,与传统的用户通过浏览器获取信息的方式有所不同,用户可以根据自己的喜好随意标注自己感兴趣的资源,用户不仅仅是信息的使用者也是信息的提供者。由于标签带有丰富的个性化信息以及语义信息,因此它被越来越多的应用到推荐系统中,然而如今推荐算法中的用户评分数据较为稀疏导致推荐质量不高,且用户的标签信息有一定的语义模糊性等问题因此不能有效地应用的推荐算法中。为此,本文提出了社会化标签语义规范化方法并将其应用于推荐算法中。具体工作如下:首先,通过对社会化标签系统的研究,分析得出标签自身的短小性和零碎性等特点,提出了基于英文维基百科的外部词库以及Word2vec语义模型构建标签的语义关联,可以避免复杂的语义分析过程。并提出了基于网络分割聚类的标签规范化方法,考虑将用户自定义的随意标签用与其相似的且资源核心度较高的规范化标签代替,便于后面用户标签兴趣模型的构建。其次,改进了现有的关于标签兴趣模型的兴趣权重计算方法,提出了基于衡量用户对标签打分不确定程度的信息熵计算方法,并将用户的规范化标签兴趣模型应用到协同过滤算法中。该用户兴趣模型的构建方法,可以充分利用标签丰富的个性化信息,且有效地降低用户兴趣模型的向量维数。通过MovieLens以及Delicious上的实例数据,对本文的协同过滤算法的可行性和有效性进行实验。并与以往的基于标签的推荐算法进行对比,本方法能更好的解决标签语义问题,并且能有效缓解数据稀疏性、推荐冷启动等问题,提高了推荐质量。