个性化推荐依据用户历史行为偏好信息预测用户感兴趣的物品,并主动地向用户推荐,有效解决信息过载问题。基于内容的个性化推荐依赖物品特征,对于待推荐物品类型多样的平台而言,传统方法只能按物品类型的特征进行推荐,导致推荐结果类型单一。而社会化标签既能描述物品内容也能反映用户偏好,成为连接用户与物品的重要特征。利用社会化标签特征作为推荐依据,能保证推荐结果的类型多样化,真正实现基于内容的推荐。因此,本文研究基于社会化标签的推荐方法,主要内容如下:1、提出标签-物品扩散法TID(Tag-Item bipartite graph Mass diffusion),对目标用户做基于内容的推荐。该方法将推荐问题转换成图搜索问题,构建标签-物品二部图,从新的角度提取了物品特征,并凸显了物品之间的隐性关系。考虑到社会化标签数据存在噪声问题,进行预处理会导致部分信息损失;流行标签也会造成用户偏好模型过拟合问题,所以提出加权的标签-物品扩散法WTID,在标签-物品二部图计算中利用贝叶斯分类器对标签和物品进行加权处理,提高推荐的准确性。2、提出WTID-协同串联推荐模型,将WTID算法与基于用户的协同过滤算法进行流水线式混合设计,有效解决单一算法的不足。WTID算法解决个性化推荐中冷启动问题并粗推荐一部分物品,提高推荐效率;协同过滤算法发挥群体协作力量,解决粗推荐结果中物品类别较单一的问题。在最近邻求解时引入基于标签的隐性用户偏好,完善用户偏好模型,增加最近邻求解的维度,充分利用了用户评级和用户标注两类数据源。模型前后两部分相互补充,以完成高精度的个性化推荐。3、通过Movielens数据集的多组对比实验验证了WTID算法以及WTID-协同串联推荐模型的推荐结果在F1值和多样性方面均有所提高。最后,将WTID-协同串联推荐模型应用到群体研讨支持系统中,并对其应用效果进行了分析。结果表明,该模型为与会专家推荐个性化资料,可有效提高研讨效率。