互联网飞速发展,大数据时代降临,庞大的数据资源推动了各个产业的量化进程,但同时也带来了信息过载的负面影响。推荐系统的出现正是为了解决信息时代的信息过载问题,个性化推荐技术的发展则提升了用户获取所需信息的体验。大数据时代下,数据量庞大但数据内容稀疏是推荐算法进行数据分析时遇到的经典问题,为了提升推荐性能以及用户满意度,挖掘更多用户与项目之间的联系是推荐算法研究学者的关注热点。推荐系统中,评分数据往往是稀疏的,在推荐算法中加入用户为项目标注的个性化标签信息,可以丰富数据来源,解决数据稀疏问题。用户标注的个性化标签包含了文本信息和频次信息,又与项目和评分相关,据此本文提出了两种使用用户个性化标签信息优化协同过滤推荐算法的方法,主要研究内容如下:（一）针对基于邻域的协同过滤推荐算法,本文分析了I-CF算法的不足,并提出了引入标签文本信息的混合项目相似度计算方法,将传统I-CF算法中基于用户评分计算的项目相似度,与加入用户个性化标签信息的基于内容的项目相似度加权混合之后,依据混合相似度选取近邻集合进行评分预测。通过对比实验得出,本文方法在预测精度上与I-CF算法相比有明显提升,证明引入个性化标签文本信息的方法是有效可行的。（二）针对基于模型的协同过滤推荐算法,本文主要对矩阵分解模型进行研究,分析了传统矩阵分解方法的缺陷和数据稀疏对矩阵分解模型精度的影响,据此提出一种结合用户个性化标签与评分的矩阵分解方法,首先将个性化标签频次信息与关联项目评分信息进行关联,计算用户-个性化标签评分相关性,根据个性化标签相关性创建相关性矩阵,并以用户特征向量矩阵为联系与评分矩阵共同进行矩阵分解计算预测评分的方法。实验结果表明,本文方法在预测精度上的表现优于多种矩阵分解算法,对矩阵分解模型的性能有一定提升效果。