随着Internet和Web2.0技术的飞速发展，网站在为用户提供越来越多的信息的同时，其网络结构也变得越来越复杂。其中，最显著的是在个性化网站中社会化标签（Social Tag）的广泛应用。现在大多数Web2.0网站都具备协同标注系统，如Delicious、Flickr。与传统的用户通过浏览器获取信息方式不同的是，标签系统中更注重用户的交互。在这些网站中，用户可以使用任意标签对其上传的资源进行组织和管理，标签成为了用户和资源的桥梁。因此，在协同标注系统中，用户不仅仅是信息的使用者，同时也是信息的提供者，这就可能使得标签系统中所谓的“信息爆炸”和“信息过载”问题尤为严重。为解决诸如其类的问题，个性化推荐技术应运而生。由于协同过滤推荐技术具有良好的算法思想和比较完美的推荐效果，现在已被传统的推荐系统广泛采用。它主要研究用户对项目的评分数据，研究对象只包含用户、项目构成的两维关系结构。而对于标签系统中含有用户，标签，资源的三维关系结构，传统的推荐算法不能满足其需求，毕竟传统的推荐算法中未考虑到标签所蕴含的个性化信息。针对传统的个性化推荐方法未能很好地解决标签系统中资源推荐需求的问题，本文提出了一种基于标签和时间因素的协同过滤推荐方法。此方法是对传统的协同过滤的改进，它充分考虑了用户的兴趣会随着时间改变而改变的特性。根据用户添加的标签信息，能够分析出标签的使用，可以使得表示资源特征更准确。而且它能真实的体现用户个体的兴趣偏好，如用户最近添加的标签更能反映用户近期的兴趣这一特性，提出利用标签信息及标注的上下文信息来构建用户的兴趣模型的方法。通过分析标签使用频率信息、标注项目的时间信息及用户对项目的评分进行量化处理，从而构建出用户评分伪矩阵，借鉴协同过滤方法的思路，计算得到用户之间的相似度并得到目标用户的最近邻集合。最后，由邻居用户得到预测结果。通过实验分析，验证了本文提出的推荐方法。实验结果表明，与其他传统的推荐方法相比，本文中提出的推荐方法的推荐效果有所改善。