随着Web2.0技术的迅速发展和普及,互联网数据呈现出了爆炸式增长。为了帮助用户在海量数据中更高效地找到他们真正感兴趣的资源,推荐系统应运而生。推荐系统成功的关键在于对用户兴趣的理解。通常,用户兴趣是用户自身都难以描述的内容,并且大部分用户在与推荐系统的交互中,不愿详述自己的兴趣。标签系统正是为了获取更多的用户主观意见而产生的。在标签系统中,用户可以自由地对各种资源进行标注。这些主观性强的记录可以帮助分析用户兴趣。标签系统中的推荐算法需要解决两个根本问题,即如何充分利用用户标记历史以及如何确定用户与资源间的相似度。本文的主要创新工作概括如下：(1)本文针对标签系统的特点,提出了融合早期两种推荐算法的混合推荐算法。本文基于用户与资源间的相似性和用户与用户间的相似性算法,将用户标记记录整理为标签聚类,并将标签聚类作为连接用户与其感兴趣的资源间的纽带。(2)现有基于标签系统的推荐算法对用户兴趣分析时,未考虑“一词多义”现象。本文首次将社交网络分析中“社群发现”算法的基本思想引入到对多义词标签的处理中,并通过实验证明了这种方法的有效性。(3)本文实现了标签推荐系统的原型,包括多义词标签节点分裂算法、凝聚式聚类生成算法和基于标签聚类的推荐算法,并对准确率、召回率、覆盖率等指标进行了测试,结果表明该算法在标签推荐过程中优于传统基于内容、协同过滤和K-means聚类的推荐算法。