近年来，标签已经成为一种非常灵活和重要的手段来分享和分类网络资源，因为这些用户标签可以更加接近用户的理解和判断，所以这些用户标签可以更加准确地描述用户的兴趣偏好，而用户的兴趣偏好是随着时间不断变化的。因此，如何为用户兴趣建模来满足用户的需求对于个性化推荐系统和信息过滤系统是一个非常大的挑战。　　协同过滤推荐算法是至今为止最成功的个性化推荐技术之一，被应用到很多领域中。然而，传统的协同过滤推荐技术只考虑了用户或资源之间的相似度，却忽略了用户兴趣的动态变化，不能及时反映用户的兴趣变化。　　本文的研究动机来自于对社会化标签网站的一个常识，如果一个用户最近标注了一个标签，那么这个标签将会被这个用户再次标注的可能性会很大，相反，如果用户很久以前标注了一个标签，那么这个标签将会被这个用户再次标注的可能性就会很小。在本文中，应用衰减模型并利用用户基于时间轴的标签信息来对用户兴趣建模。同时，提出了一种新的时间轴变长划片算法，这种划片算法可以让时间片的长度动态变化，从而能够更好地体现用户兴趣变化的规律。然后，提出了一种新颖的算法来计算用户兴趣之间的相似度，并根据相似用户在他们的下一个时间片上的标签信息来对用户进行标签推荐。　　实验结果显示出的基于时间轴的个性化标签推荐算法比现存的其他方法能够有更高的查全率和查准率。此外，实现了一个基于用户标签的实验室知识管理系统，同时为系统用户的兴趣进行建模，用的时间轴变长划片算法对系统用户的时间轴进行划分，并把基于时间轴的个性化标签推荐算法集成到系统中，从而为系统用户推荐他可能会感兴趣的标签。