社会标注系统是一个为网站用户提供标签标注功能的应用系统。随着Web2.0的兴起,以社会标注机制作为主要功能的内容共享系统发展迅速,其中的典型应用比如共享网页的Delicious、共享图片的Flickr、共享音乐的last. fm和共享学术论文的CiteULike等。社会标注机制允许互相协作的用户通过一个开放的平台,对网站的共享资源赋予一些标签。这些标签一般简短并且富于个性化,这样便促进了资源的共享和有效管理。社会标签推荐是社会标注系统的重要组成部分。当用户进行标签标注时,该功能可以自动提供一些用户可能感兴趣的或者相关的标签列表供用户选择使用。标签推荐能够使用户免去手工输入操作的麻烦,同时集合网络大众用户的智慧,提供最可能符合用户兴趣或特点的标签进行推荐,可以极大地方便用户的操作,并提高标注的质量。将张量方法用于标签推荐算法是最近几年的最新研究。然而分析现在已有的一些基于张量分解法的标签推荐算法后,发现这些算法大多对社会标签数据集的极度稀疏性、存在大量缺失值的特点无法实现理想的处理。针对这一缺陷,本文提出了一种低阶张量分解算法,将社会标签数据集用张量结构来描述,并用低阶多项式进行分解。其中低阶多项式主要包括0阶、1阶、2阶多项式。实验证明,这种方法可以有效解决数据极度稀疏和缺失值的问题,推荐标签的精度和召回率等性能得到了有效改善。社会标签数据通常被描述为一个三部超图模型,该模型比较直观,且能表达标签数据中各维度之间的对应关系。然而在维度转换过程中总是存在语义丢失的情况。针对这一缺陷,本文提出了一种新的三部图张量分解算法,对三部图结构用张量的方法进行分解,分解产生的二维关系矩阵除了包含相应两个维度之间的直接关系外,还包含了同时存在于原有三个维度之间的关系信息,表达的数据信息更加完整,精度更高,能有效解决语义丢失的问题。