随着信息时代的发展、数据的海量增长，应用系统中的用户和资源数据变得十分庞大，用户并不容易寻找所需信息。标签具有表示用户偏好、标注资源特征的功能。用户可以使用标签搜索、过滤、管理以及标注资源。准确地向用户提供其感兴趣的标签，可以提高用户对系统的使用体验，增加用户对系统的黏着度。　　影响标签推荐准确度的因素主要有两个方面。其一，兴趣漂移现象。用户的偏好会随着时间推移、环境变化而发生兴趣漂移，影响系统挖掘用户偏好。另一方面，数据稀疏问题。在大规模的系统中，用户和资源的数据量十分庞大，会造成不同用户之间存在交集的概率下降，导致数据稀疏问题，影响标签推荐的质量。　　为了解决上述两个问题，论文提出了相应的解决方案。　　首先，针对兴趣漂移问题，论文提出基于记忆曲线的标签推荐算法。为了更加准确地刻画用户偏好、及时发现用户兴趣变化，该算法以记忆曲线规律为原理，对协同过滤进行了改进。　　其次，针对数据稀疏现象，论文提出基于关联规则的标签推荐算法。此算法设计了一种重叠滑动时间窗口。利用这种时间窗口采集标签数据，挖掘标签之间的关联规则，然后根据关联规则进行标签推荐。　　最后，为了提高标签推荐的质量，论文提出混合记忆曲线与关联规则的标签推荐算法。此算法以加权平均的方式将上述两种标签推荐算法混合在一起，并且利用粒子群算法寻找最优的加权参数。　　实验结果表明，基于记忆曲线的标签推荐，可以较准确刻画用户偏好，提高推荐准确度；基于关联规则的标签推荐能够在一定程度上缓解数据稀疏问题，提高推荐质量；混合记忆曲线与关联规则的标签推荐算法能够有效综合上述两种方法，提高推荐准确度。