随着Web2.0概念的迅速传播,标签技术被广泛应用于包括网络书签、博客、网摘、视频分享等在内的多种服务,尽管标签能够简单地实现网络资源的描述和定位,但标签词是无控制的自然语言,不可避免地存在语法错误、一词多义、同义词、语义模糊、概念粒度差异、多语种交互等问题；同时标签词形成的是平面结构,词汇之间缺乏概念关联,也不能进一步揭示资源之间的关系:这些局限性为资源的浏览和检索造成了不便。　　 实际上,基于标签的大众标注系统中蕴含着非常重要的标签语义信息,而这种语义关联挖掘的基础在于标签之间的相关性度量。因此,本文在国内外相关研究基础上,重点研究了共现系数、上下文(资源、标签、用户)、互信息、FolkRank等标签相关度衡量方法。通过实验评测比较各种方法在标签数据集上的表现,根据实验结果分析各种方法的优缺点以及各自的适用情景,为实际应用中的方法选择提供决策参考。　　 引入基于结构上下文的SimRank算法计算标签相关度,一方面可以解决已有方法的数据稀疏性问题,另一方面可以挖掘出更多间接和隐含的相关关系,设计实验进行评测。基于SimRank的实验结果,通过聚类技术对相关标签进行分组展示。针对Folksonomy中标签应用存在的几类问题,探索了标签相关度和标签聚类可以在大众标注系统资源的关联组织方面提供哪些优化解决方案,包括原理方法、基本流程和原型图示等。