由于科技的不断进步以及世界经济一体化的逐渐形成,互联网也得以在全球范围内实现快速发展,全球用户量逐年递增,随之而来的就是大量的用户数据。据统计,从2018年至2025年,全球范围内的数据量将从33ZB急速增长到175ZB。一方面,工业3.0以来,通过为用户提供海量的信息影响了越来越多人的日常生活,但是在另一方面,信息化时代同样为工业和研究领域带来了大量的机缘和挑战。面对大量的数据信息,如何从中便捷而高速的使用户取得满足需求的数据,有效缓解信息过载情况是当今科研工作者们着力处理的一大事务。面对信息过载问题,较早的解决方案是以谷歌、百度等为代表的搜索引擎技术。然而由于搜索引擎的通用性,注定不能够针对单独用户满足其个性化需求。推荐系统(Recommender Systsems,RS)通过分析用户个体信息数据的差异,针对单个用户提供个性化的推荐服务,是一种较好的缓解信息过载的有效方案。基于标签的推荐系统利用用户对项目的标记信息为用户推荐项目,但是现有的标签系统中的推荐方法只是用到了项目-标签-用户之间的联系,并不注重用户以及项目自身的特征。在度量用户以及项目之间的相似度时,现存的方法只是单一考虑了一种相似性的情况,并没有将用户相似性以及项目相似性结合起来。另外,由于数据稀疏性问题,在为用户推荐项目时,最终结果将受到影响。如何缓解数据稀疏性的问题,提高结果的精确度是当今推荐领域中一个具有重要价值的和现实意义的课题。针对上述问题,本文的重点研究内容如下:1.针对单一相似性问题,提出了一种通过用户以及项目中标签信息获取相似性的算法,该算法通过结合用户以及项目的标签信息,将用户相似以及项目相似得到的结果线性结合起来,通过协同过滤方法针对用户实现个性化推荐,构建了一种基于标签信息特征相似性的协同过滤推荐算法。在Last.fm数据集上的实验结果表明,该算法确实能够提升推荐结果的准确性。2.针对数据稀疏性问题,提出了一种通过表示学习计算相似度的方法。该方法通过用户以及项目使用标签的历史记录,将标签向量化,获得关于标签的稠密向量,并据此计算用户及项目之间的相似性,构建了一种嵌入式表示学习方法。在Last.fm以及Movielens数据集上的实验结果表示,该方法可以有效地缓解数据稀疏性问题,对于提高推荐效果有一定的帮助。3.基于上述算法,设计并实现了电影推荐引擎。基于Spring、Spring MVC以及My Batis框架,采用Java、Python、HTML以及JQuery技术作为开发语言。利用Python进行推荐结果的计算,之后通过在Java中集成Python的方式,调用Python脚本,获取在Python中计算得到的封装结果。结合Java和Java Script与用户进行交互,根据用户历史观看记录,为用户建立Top-5的电影推荐序列,动态返回推荐结果。