在Web2.0的环境下,鼓励用户创造内容是主基调。社会化标签作为一种使用灵活、对用户友好、无约束的分类方式,在业界得到了广泛的应用。社会标签具备组织、分享、检索和发现新资源、新用户等良好特性。但同样也存在标签分布稀疏、标签使用率低、用户标注随意以致出现噪声标签甚至恶意标签等情况。为趋利避害,标签推荐技术应运而生,得到学界的广泛关注,也成为推荐系统的热门研究方向。本文围绕社会标签系统的标签推荐技术展开。具体工作如下：第一、本文首先对推荐系统的组成以及推荐原理进行介绍,并对目前标签推荐技术的文献进行梳理,对算法分类整理并总结优缺点,为后续在标签推荐技术领域的研究提供一定的参考。本文发现目前大多数的标签推荐技术缺乏对标签语义的研究,而且现有的标签语义研究适用范围有限。因此提出基于词向量的标签语义推荐算法,以开发出兼具内容过滤和协同过滤优越性的标签推荐技术。第二、本文采用了Skip-gram算法计算标签相似度。与目前主流的Wu & Palmer概念相似度算法相比,具备三个优点：一是适用范围更广,Wu & Palmer概念相似度算法仅局限于英文；二是词语对象完备,Wu & Palmer概念相似度算法是建立在WordNet语义层次结构上,然而WordNet语义字典只收录155287个词语,无法对超出字典的词语进行处理；三是能计算短语的相似度。WordNet字典无法解析短语,如"less than 300 ratings",标签系统中类似的短语标签是很常见的。总而言之,Skip-gram算法在标签推荐领域实用性更强。第三、本文提出的基于词向量的标签语义推荐算法,结合了神经网络语言模型和匈牙利算法,较好地解决了标签与标签相似度和用户与用户之间相似度计算问题。并通过实验,与现有算法比较,在推荐精度上有一定的提高。