作为解决信息过载问题的有效工具,推荐系统已经成为电子商务网站和社交网络平台的基本组成部分。根据推荐系统依赖的数据类型,可将个性化推荐算法分为基于显式评分数据的推荐算法和基于隐式反馈数据的推荐算法,其中隐式反馈数据存在更为广泛,获取成本更低,利用隐式反馈数据进行推荐研究可以有效缓解用户隐私性负担的问题,能反映用户实际行为偏好。但隐式反馈数据中只包含用户的正向行为偏好,面临着负样本缺乏问题。社会化标签信息既能反映用户偏好也能体现产品特征,能在用户和其未交互产品之间的构建联系,因此在隐式反馈数据中引入社会化标签信息能够细分用户反馈集合,识别出产品中的负样本,对提高个性化推荐算法的精度具有重要意义。本文首先利用doc2vec技术实现用户-标签集合和产品-标签集合的向量表达,并通过向量的余弦相似度关系找出与目标用户在标签语义层面最相近的潜在偏好产品。其次,根据用户的交互记录和用户的潜在偏好为每个用户找出其所对应正反馈集合、基于标签的潜在兴趣反馈集合、负反馈集合,并据此构建出两组用户的偏好关系假设。最后,根据两对偏序关系假设提出了一种融合社会化标签信息的贝叶斯个性化排序推荐算法tag-BPR。在真实的社会化标签数据集上的实验表明,基于社会化标签信息的贝叶斯个性化排序算法tag-BPR的性能与经典协同过滤算法相比有着较大提升,尤其在冷启动场景和数据稀疏场景下提升效果更加明显。