随着信息技术的飞速发展以及互联网的迅速普及,网络中的信息数据不仅呈现爆炸式的增长,这些数据所表示的内容也越来越丰富.这使得用户在互联网中更难以从海量数据中获取对自己有用或是感兴趣的信息.推荐系统以及标签推荐系统的到来,在很大程度上帮助了网络信息的组织,并且使得用户能够在海量数据中能更为迅速地、快捷地找到自己感兴趣的信息.本文首先介绍了传统的推荐系统中常见的三类推荐方法：协同过滤方法、基于内容的推荐方法以及混合型推荐方法.并分别介绍了这些方法的细节.其次,本文介绍了标签推荐系统的特点,以及它的图模型和基于图模型的一个经典标签推荐算法.然后,本文介绍了互联网广告投放以及推荐的相关概念和方法,根据标签推荐图模型的特点,构建了基于广告数据(即广告点击率)的图模型.并给出了能适应该图模型的经典标签推荐算法的改进算法,即广告推荐算法.为了更好的适应和利用广告图模型,文本提出了进一步的算法改进.在提出的算法中,基于广告推荐图模型的第一种改进方法,不仅考虑了相似用户的广告点击行为对目标用户的点击行为的影响,并且通过矩阵的变化降低了计算空间的维度,避免了广告图模型中不必要的节点参与排序过程.第二种改进方法对图模型进行了改进,将无向加权图变换成有向图加权,然后在这个有向图中使用广告推荐算法.最后一种改进方法是利用图的特性,使用路径来衡量节点接近度,进而产生关于用户节点或关键词节点的广告推荐.最后,通过建立的广告推荐平台上的相关实验,这三种改进方法都能够得到比改进前的广告推荐算法更好的结果.因此在广告推荐中,利用用户、用户查询词以及广告三者关系,以及广告的点击率建立基于标签推荐的图模型的广告推荐图模型.通过广告推荐图模型挖掘图中节点的关系,得出相应的广告推荐是一种可行的方法.