目前,在社会化标签系统中推荐搜索研究主要聚焦在标签的推荐。也就是说给定一个用户和一个资源,推荐系统预测用户用什么样的标签来解释这个资源,怎样去开发面向资源的个性化推荐系统技术已经充满了应用的需要,然而还存在着很多的问题。目前已经有很多成熟的推荐系统,例如协同过滤推荐系统,基于图的FolkRank推荐系统等,虽然这些推荐系统已经得到很大程度的应用,但是这些推荐系统都存在着一些缺点,使得推荐的效果有瑕疵。为了达到更好的推荐效果,首先我们能想到的方法是通过已知的混合策略来产生一个混合推荐算法。推荐算法的混合策略分为三种：整体化策略,并行化策略,管道化策略。我们使用的是并行化策略,顾名思义,就是每个独立的推荐算法产生分别的推荐列表,然后通过特定的数据聚合算法融合这些推荐列表形成最终的推荐列表。我们的论文主要的工作就是聚合算法,有很多聚合算法,如BordaCount, CombSUM等,我们介绍了一种新颖的采用DS证据理论和香农熵等级聚合算法。但是在聚合不同来源的信息时,会存在信息冲突的问题,为了解决信息冲突的问题,我们采用DS证据理论和香农熵来聚合这些等级列表,这样可以达到一个更加准确和值得信赖的等级列表。我们在Lastfm数据集上实施我们的算法,通过结果显示,我们的采用的方法可以达到一个更加精确的性能,确认了我们采用的算法框架的能力。