互联网的飞速发展，Web2.0时代的到来，使得基于互联网的应用得到爆炸式的发展，其中尤其以电子商务系统以及各种社交化虚拟平台的应用为代表。亚马逊、豆瓣、Facebook、Flickr等电子商务和社区平台吸引了众多的互联网用户，线上也出现大量的商品和服务，大量的各种形式的信息。为了更好地为用户提供服务和帮助用户找到感兴趣的产品，推荐系统被广泛应用于这些电子商务网站和社区平台，推荐系统的研究成为近年来的研究热点。推荐系统是一种个性化的信息过滤技术，给用户推荐一批可能喜欢或者感兴趣的商品或服务。传统的推荐系统使用用户或者产品（包括商品和服务等）的属性，进行基于内容的推荐，或者使用用户间、产品间的相似性进行协同过滤的推荐。大众分类法（folksonomy）的应用使用户可以用标签来对产品进行分类、标记。如何在推荐算法中建立用户、产品、标签间的关系模型，提高推荐系统的性能，成为备受关注的研究内容。本文研究基于“用户-产品-标签”三元关系的推荐系统，提出基于加权的三部图扩散的个性化推荐算法（Personalized recommendation algorithm based on weighted tripartitegraph diffusion，简称TGD推荐算法）。TGD推荐算法首先建立“用户-产品-标签”三部图，计算用户、产品、标签的重要性权值，引入用户的重要性权重对三部图进行初始化，并对模型进行二分图处理，对产品资源值进行加权扩散，整合扩散结果，实现个性化推荐。本文分别在Web2.0中电影评分网站MovieLens的数据集、照片分享网站Filckr和书签收藏网站Del.icio.us的数据集上的实验表明，TGD推荐算法在推荐准确率上比基本的三部图算法有较好的提高。