为了帮助每个用户找到最适合他的信息，推荐系统根据每个用户独特的兴趣特点，预测和发现用户潜在的兴趣，把用户最需要的信息推荐给用户。协同过滤是最主要的一类推荐方法，然而协同过滤的推荐质量容易受评分数据稀疏性问题的影响。同时许多现实的推荐系统除了拥有评分信息外，还有大量的用户对项目添加的标签信息。从标签中可以发现用户的兴趣模式和项目的内容属性等信息。因此利用标签可能会提高推荐的质量。　　 本文介绍了当前一些主要的推荐技术，重点研究了协同过滤这一类最主要的推荐方法，并对这些方法的优缺点进行了一定程度的分析。　　 为了缓解传统的协同过滤算法所面临的数据稀疏性问题的影响和提高推荐的质量，本文提出了一种基于标签的协同过滤模型。利用标签信息对一种现有的协同过滤模型进行了扩展，从而把标签的信息融入进来。　　 在MovieLens数据集上对基于标签的协同过滤模型进行了系统的测试，实验结果验证了基于标签的协同过滤模型的预测质量比其他不考虑标签的协同过滤算法更好，而且当数据集比较稀疏时，或者对评分比较少的用户和项目进行预测时，基于标签的协同过滤模型也具有较好的预测质量。