由于社会网络信息的急速增长,用户很难快速获得准确的信息。社会标签推荐技术旨在通过用户的历史行为,向用户主动推荐标签或资源,让用户从海量的信息中找到有价值的信息,同时让有价值的信息实现共享。近来张量分解模型被应用于社会标签推荐系统中以获得高质量的推荐结果。因此本文主要研究社会标签张量分解模型以及在这些张量分解模型基础上对新用户问题的有效解决方法。本文在Tucker和ParaFac两种传统张量分解模型的基础上,通过更新原始张量分解模型,提出相应的新用户标签推荐算法,为新用户进行标签推荐。在Last.fm、Bibsonomy、Movielens三个真实数据集上,对提出的两种新用户张量标签推荐算法进行实验仿真,实验结果表明上述两种新用户标签推荐算法在精确度和召回率上有很大提高。Tucker和ParaFac两种传统张量分解模型中高维张量导致了算法具有高阶的时间复杂度,由于标签数据的稀疏性,传统张量分解标签推荐算法存在过拟合现象,反而降低了推荐算法的精确度。为了提高算法精确度,本文利用更符合稀疏数据统计特性的张量模型——低阶张量分解(LOTD),通过更新此张量分解模型,提出新用户标签推荐算法。在Last.fm、Bibsonomy、Movielens三个真实数据集上,将三种新用户标签推荐算法进行实验比较分析。实验结果表明,基于低阶张量分解的新用户标签推荐算法具有更高的推荐质量,并且对稀疏数据集更有效。