数据信息的快速增长在一定意义上促进了推荐系统技术的研究与开发,现有的推荐系统虽然一定程度上可以帮助人们在大规模的数据中寻找自己喜欢的信息,但是这种推荐方式仍然不能准确理解用户的需求。拟人的概念理解算法是目前推荐系统研究开发的重要课题。在特定的语义环境中,一个模糊词的意义往往不同于其字面意义,通过字面意义的理解不能满足用户的特定需求,如何在特定环境中通过已有的信息挖掘出有价值的隐含信息成为本文研究的重点。本文主要探讨了模糊理论在推荐系统中的实用性,对合适度算法和推荐算法做了相关的分析和研究。在合适度评估阶段,重点介绍了标签语义框架,它是一种主观的、开放的模糊语义框架,首先根据统计方法对参与者进行问卷调查,在特定领域下,让参与者主观地挑选出适合的子集集合元素,根据所有参与者挑选的子集集合元素得出特定领域下子集集合元素对应的mass语义值。利用标签语义框架计算出复杂逻辑表达式的mass语义值,也就是合适度大小。推荐系统推荐包含三个主要元素:用户、推荐算法、事物合适度。本文利用用户注册信息以及基于标签的推荐系统的思想生成用户画像,根据用户画像为用户推荐合适度高的个体。根据以上算法思路,本文利用58同城数据进行仿真实验,设计出了基于标签语义框架的招聘推荐系统。首先将求职者的信息进行分析,求职者的信息包含求职者的姓名、性别、年龄、工作经验、目前职务、发布时间等属性,我们认为个体的年龄、工作经验、学历、目前职务可以用来量化求职者的能力。其次,在数据爬取的过程中,发现当前职务属性存在着不规范的情况,通过人为规范化处理,将没有填写目前职务的求职者按照非技术人员处理;录入员、技术运营等归为技术员类。将处理好的数据,通过问卷调查方式让参与者进行挑选,并进行处理,根据统计数据得出不同子集集合的mass语义值,然后通过标签语义框架计算出不同个体在特定领域下的能力值大小,也就是合适度大小,根据招聘者的用户画像,推荐合适度高的个体,最终为了检测实验效果的好坏,从准确度和满意度两个方面进行实验评估,实验结果和分析表明,该推荐系统可以满足招聘者的需求。