在互联网世界中,人们在获取信息的同时也在为他人提供信息。因此,如何让用户从海量的信息中寻找到有价值的信息以满足自己的需要;以及如何将有价值的信息被所需要的用户发现、并享用,这个问题一直成为学术界和企业界关注的热点问题。由此,产生了两个互联网产业中非常重要的技术:搜索和推荐技术。协同过滤(Collaborative Filtering,CF)是目前应用最广泛的推荐技术。它认为兴趣偏好相近的用户对同一资源或相近资源具有相似的兴趣偏好。从而,协同过滤技术可以用群体去预测个体,充分挖掘群体的智慧为个体服务。本文针对两种传统协同过滤推荐算法—基于用户的协同过滤算法(User-based Collaborative Filtering)和基于项目的协同过滤算法(Item-based Collaborative Filtering)进行了研究。指出了传统协同过滤方法存在着评分矩阵稀疏、冷启动、易受攻击性、兴趣模型单一和可扩展性等问题。社会化标签(Social Tag)随着Web2.0技术的发展,被很多个性化站点广泛应用。使用标签表示资源特征更准确,而且它能真实的体现用户个体的兴趣偏好。因此,将社会化标签用于推荐技术非常合适。本文提出了基于社会化标签的协同过滤方法,将社会化标签引入传统的协同过滤方法中,挖掘用户的潜在兴趣点,然后在用户的兴趣范围之内为用户推荐项目。这种方法是对传统的协同过滤方法的改进,可以解决传统方法兴趣模型单一问题。而且该新型方法缩小了评分矩阵的规模,提高了运算的效率。基于MovieLens数据集的实验表明,基于社会化标签的协同过滤方法的推荐效果要明显好于传统协同过滤方法。