近年来,随着移动互联网的快速发展与智能手机的广泛普及,以Instagram、微博等为代表的社交网络服务获得了爆发式增长,极大地提高了用户获取信息的便利性。但社交网络中不断产生的海量文本、图片、音频和视频等多模态信息,也给用户带来了较为严重的信息过载问题。标签机制有助于用户快速检索到其需要的信息,成为应对信息过载的有效手段。然而,由于用户的惰性,社交网络中绝大部分的内容缺乏有效的标签。因此,如何为社交网络内容自动推荐合适的标签成为了一个迫切需要解决的问题。现有的研究工作主要关注两个方面:一方面是如何对社交网络中的多模态信息进行融合理解,从而推荐更符合内容的标签,但此类工作未兼顾跨模态信息的共性和差异性,从而导致融合过程中的信息缺失;另一方面是如何建模不同用户对标签选择的偏好,从而为用户推荐个性化的标签,此类工作未考虑用户个性化偏好与推荐上下文之间的交互性,从而导致推荐结果缺乏上下文相关性。针对现有工作的不足,本文首先提出了一个基于异质注意力的图文融合的标签推荐模型,既强化了跨模态的共性信息,也考虑了不同模态差异信息之间的互补性,然后,提出了一个基于自适应用户习惯建模的个性化标签推荐模型框架,有效建模了用户偏好和推荐任务背景之间的交互性。最后,基于上述技术设计并实现了一个面向Instagram社交网络应用的标签推荐原型系统。具体而言,本文的主要工作如下:·提出了一种基于图文异质注意力融合机制的标签推荐模型。该模型主要通过三次注意力学习过程进行多模态信息融合,通过使用文本模态指导图像信息聚合考虑信息冗余性,通过保留全部模态信息考虑信息互补性,从而使标签推荐依据的多模态特征更加细致全面,信息利用率更高。在两个真实数据集上的实验显示,该模型能够显著提高针对多模态内容的标签推荐准确率。·提出了一种基于自适应用户习惯建模的个性化标签推荐模型框架。该框架从用户历史记录中采样历史帖子,量化当前待推荐帖子与历史帖子的语义相似性,根据相似性确定历史帖子所用标签对当前推荐的参考价值,从而建模用户偏好与推荐任务背景的交互性。基于自适应用户习惯建模的标签推荐框架能够替换不同的多模态内容理解模块,衍生出不同版本的变体。真实数据集上的实验结果表明,该框架配合不同的内容理解模块,均能显著提高个性化标签推荐效果。·设计并实现了一个面向Instagram社交网络应用的标签推荐原型系统,初步验证了上述技术的可行性与有效性。