近年来,互联网的飞速发展使得信息过载的现象变得十分突出,对用户来说从海量资源和信息中去发现并找到自己感兴趣的资源或者所需要的信息也变得十分困难。解决该问题的其中一个有效措施就是利用个性化推荐,面向个体用户来进行资源的推荐。而社会化标签能一定程度上反映出用户的兴趣偏好,以及资源的部分潜在内容信息,把社会化标签引入到个性化推荐中,将有利于得到更好的推荐效果。目前关于个性化推荐的研究已经取得了显著的研究成果,但还存在一些不足之处,例如基于内容的推荐算法,面临着内容信息缺乏的难题,推荐过程中所需的大量文本信息,在多媒体资源中(如照片资源、歌曲资源、电影资源等等)难以自动提取,对推荐效果会产生影响;而协同过滤推荐算法中,因为参与评分的用户总数往往会远小于用户总数,也远小于资源总量,因而存在数据稀疏的问题。为解决这些难题,可以考虑引入社会化标签,从而补充多媒体资源所缺乏的内容信息,关于社会化标签中的语义问题,尤其是重复性和不确定性带来的噪音,本文的思路是可以依靠大量用户的智慧来进行降噪,并通过研究证明了选择合适的有效标签能够过滤掉部分标签中的垃圾信息达到降噪的目的;另一方面可以先对TF-IDF进行改进来计算标签的权重,再借助Dijkstra算法计算资源之间的最短路径,让两个原本看似不相关的资源也能通过链路找到关系,一定程度改善数据稀疏的问题;在此基础上,本文融合了改进后的基于内容以及协同过滤的两种不同的推荐方法,即通过加权融合法提出了一种新的资源混合推荐方法。通过两种算法的混合,可以改善单独使用其中一种推荐算法时所存在的缺陷。本文主要进行了如下工作:首先,本文综述了目前社会标签与个性化推荐的相关研究现状与发展脉络,梳理总结了资源推荐算法的相关技术和理论基础。其次,本文对现有的基于社会化标签的推荐系统和方法进行了深入剖析,掌握各种方法的优缺点以及当前尚未解决的研究问题。接着,本文针对现有的资源推荐方法的不足,一方面通过引入有效标签以达到降噪目的对传统协同过滤算法进行改进,另一方面利用AF和CRAF值的计算并结合Dijkstra算法对传统的基于内容并依赖TF-IDF的推荐算法做出改进,最终融合上述两种推荐方法,提出一种新的资源混合推荐方法,并且对推荐过程进行详细的设计。最后,本文选取Movie Lens 20M数据集,对本文所提出的基于社会化标签的资源混合推荐方法进行,分别设置实验组与对照组进行实证研究,并对实验结果进行评估以验证该方法的推荐效果。