互联网的繁荣发展给现代社会带来了深远影响。尤其是在web2.0时代,人们可以在互联网上开展一系列诸如网上购物、网上办公、网上学习等活动。文档、图片、音频、视频等多元的互联网信息充斥着人们的生活,无论是信息的生产者还是信息的消费者都面临着巨大的挑战,信息过载成为了亟待解决的问题。于是,个性化推荐系统应运而生。时至今日,推荐系统领域涌现了大量的推荐算法。本文则针对个性化推荐系统展开深入讨论,并就常用协同过滤推荐算法在数据稀疏性、推荐精度等方面的问题,尝试提出一种结合标签谱聚类的个性化推荐策略,主要内容如下:首先,本文研究了几种常见的个性化推算法的基本原理和相关背景知识。其中,重点对比分析了基于邻域的协同过滤推荐方法的优劣势以及各自的适用场景,并在后文通过实验验证了协同过滤推荐的有效性;然后,针对协同过滤推荐系统中常见的数据稀疏性、推荐精度等问题,结合标签和谱聚类的优势,提出一种基于标签谱聚类的协同过滤推荐(TSCF)算法,这种推荐算法有两点创新之处:(1)随着用户对个人隐私安全意识的提高,传统推荐系统中可以使用的人口统计学信息有限,相似度精度的瓶颈将限制推荐质量的进一步提高。本文结合UGC标签来挖掘用户兴趣,提出用户基于标签的关联度来修正用户相似度,从而提升了最终的推荐精度。(2)利用标签综合共现相似度,设计模块度函数并对标签进行谱聚类,基于标签簇把关联度较高的用户分到相应组,然后在用户组内完成推荐。这样做可以降低数据稀疏性,同时也缩减了近邻搜索空间,提升推荐实时性和多样性,一定程度上可以缓解推荐系统的可扩展性。最后,使用Lastfm音乐网站在第五届Rec Sys大会上公布的数据集,设计仿真实验证明所提算法的有效性。通过与基于用户邻域的协同过滤以及基于用户Kmeans聚类的推荐作对比,实验表明TSCF算法在准确率、召回率等指标上都有所提升。