随着网络信息量的指数级增长，人们早已不缺乏所需信息，但海量的信息使得人们精准的定位、查询并获取自己所需的信息成为了一个普遍的难题。因此产生了许多新技术来进行信息抽取、信息索引、信息过滤等。YouTube和优酷网，包含了数以万计的视频，它们允许普通网民上传自己感兴趣的视频，既调动了网民的积极性，也提高了网站的知名度和效益。可是随之也产生了用户如何从海量的视频信息中找到自己所需的信息的问题。用户经常会遇到这样的情况：通过Google或者百度等搜索引擎或者其他一些方式进行查找时，返回的信息往往可以达到几百个页面，有不少情况令用户淹没于茫茫的信息的海洋之中。用户付出了时间和精力，却找到很少（甚至没有）最想要的信息。个性化推荐系统就是在互联网飞速发展和信息大爆炸的知识经济时代的大背景下产生了的，已经成为了人们日常网络生活中必不可少的支持系统。它发源于人们的实际生活，俗话说，物以类聚，人以群分。人们往往通过自己信任或者具有共同品味的朋友进行信息的获取和信息的传递。本文简要的说明了个性化推荐系统研究的必要性，之后介绍了研究现状，包括国内和国外两方面。国外的推荐系统发展，使得谷歌、亚马逊等早已成为行业巨头，我国的个性化推荐系统研究起步较晚，但也呈现出蓬勃发展的态势。虽然现在个性化推荐技术已经取得了不少成绩，但还远没有进入成熟阶段，依然面临很多的挑战。推荐系统可以认为是一种黑盒，外部用户不知道它的推荐过程。我们把推荐系统将潜在被推荐的物品称为数据资源。推荐系统通过一定的推荐算法，对潜在的被推荐产品进行计算，令排名靠前的一些产品以用户所喜闻乐见的方式（列表、图片等）呈现给用户。目前主流的推荐算法主要有协同过滤算法（CollaborativeFilteringMethods）、基于内容的过滤推荐算法（Content-BasedFilteringMethods）、基于二部图结构的推荐算法以及混合推荐算法（HybridFilteringMethods）。但每种推荐系统都有自己的应用场景和所擅长的领域。本文在经典的推荐系统的基础之上，给出一个基于标签的双向协同过滤模型DCMu。通过社会化标签，将用户的已评分项目分为正向（喜欢）和负向（厌恶）两大类。通过挖掘正负两向的标签信息，从用户对项目所添加的双向标签中提取出用户的正向模式和负向模式形成初始的用户模型Mu。并在用户初始模型的基础上计算正反用户之间的相似关联性。用户初始模型形成后，可以通过它的邻居用户的模型，对其进行扩充，将那些用户u所不具有，而其相似邻居所具有的正向模型和负向模型加入到用户的初始化模型Mu中，进而将Mu扩展为更加完善的双向用户模型DMu，本文提出的DCMu模型就是Mu模型和DMu模型的集合结合。最后，我们将双向协同过滤模型DCMu算法与两个基准算法进行了实验对比，发现在推荐的准确度和推荐列表排序的准确性上，DCMu算法都要优于两个基准算法。