随着社交网络的蓬勃迅猛发展,产生了庞大的数据信息量,对标签数据进行的相关的推荐算法的研究也就应运而生,并成为研究热点问题之一。社交网络在各个机构领域中产生的影响效果越来越大,它正潜移默化的影响并改变着人们的生活方式、学习方式甚至是成长模式。个性化推荐系统的出现,给用户带来更为人性化的推荐。突破传统推荐单调重复的问题,提升推荐的多样性和新颖性。通过多维度挖掘用户长短兴趣画像,可以精准把脉用户需求并多策略融合优化推荐的多样性、新颖性和时效性。科研工作者同时有机会在拥有大量数据的线上社会网络平台上进行分析和研究,取得了高水准、高质量的研究成果。针对于传统个性化推荐系统只考虑静态兴趣维度,没有考虑兴趣动态变化的问题,本文提出基于标签聚类的多构面信任关系的推荐方法,该方法借鉴艾宾浩斯遗忘曲线的思想,跟踪兴趣变化给用户推荐带来的影响。通过SPSS统计分析工具,曲线估算出了与遗忘曲线有相当高拟合度的幂函数曲线,为了解决时间因素对推荐准确性带来的问题,提出了基于时频窗的时频兴趣变化函数;然后针对标签数据冗余稀疏难题,在此基础上改进了谱聚类算法,提高推荐准确性;并将标签簇作为划分多构面的依据,以此构建非信任张量,其次针对信任强度的计算问题,通过改进簇间和簇内的信任与非信任关系,并将其二者结合以构建非信任张量。最后利用张量分解方法得到Top-N推荐结果。通过实验进行算法对比,结果表明本文提出的推荐算法能够在解决标签数据冗余的同时保留语义关系并考虑用户的兴趣随时间变化的因素,在推荐准确性方面有显著的提高。