随着大数据时代的到来,互联网上各种数据信息呈指数级增长,虽然用户能访问到几乎所有互联网资源,但由于很多资源未被整理以及数据过载等问题,在搜索想要的资源时通常效率较低且十分耗时。此外,如何高效地管理如此巨大的数据库已经成为管理者面临的严峻挑战。标签是用户对资源语义信息的简单描述,充分利用标签信息不仅可以有效提高信息检索效率,还可以帮助网站对资源进行分类和建立索引。随着标签系统的发展,互联网上出现了大量标签,但标签的质量却良莠不齐。由于用户的标注习惯、文化水平、拼写错误等主观因素,标签中出现了大量的不规则、无意义、有歧义的标签,这类质量较低的标签严重影响了信息检索的质量和标签推荐的效果。因此,有必要研究出一种稳定、有效的自动标签推荐方法。目前大部分标签推荐方法主要通过挖掘资源的内容信息进行推荐。然而,现实世界中很多数据信息并非独立存在,如文献数据通过相互引用关系而形成复杂的网络结构。研究表明资源的拓扑结构信息和文本内容信息可分别从两个不同角度对同一资源的语义特征进行概括,并且从两方面观察到的信息可以互为补充和解释。基于此,本文在已有研究工作的基础上,主要做了以下两个方面的工作:(1)提出了一种同时对资源内容信息和资源网络拓扑结构信息进行统一建模的概率主题模型和标签推荐方法。该方法通过结合标签和资源内容之间的标注关系以及资源之间的链接关系等多源异构信息去挖掘资源潜在的语义信息,为新的资源推荐若干功能语义相近的标签。本文还设计了一个标签过滤算法,该算法通过为候选标签集中的每一个标签计算一个得分的方式,对候选标签集中的标签进行排序,最后将排序靠前的标签推荐给新资源。实验结果表明该方法可以有效改善标签推荐的效果。(2)提出了一种基于词对关系的标签推荐方法。该方法首先将资源文本内容中单独的词汇两两组合形成一个词对,以缓解数据稀疏的问题。之后,将资源文本内容信息、资源标签矩阵信息和资源之间的链接关系统一建模,计算出资源之间的主题相似度后,将与目标资源主题最相近的资源的标签推荐给目标资源。实验结果表明,该方法比目前主流方法能获得更高的召回率。