21世纪各项技术的革新推动了网络的高速发展,其最重要的特征就是迎来信息的爆炸式增长。在信息爆炸时代早期,出现了专家系统、分类目录和搜索引擎等工具帮助用户从海量信息中获取有效信息。随着信息量不断的增加,传统的工具无法再帮助用户获取有效信息,搭载协同过滤推荐技术的推荐系统为解决这一问题提供了一个新方法,由于其方法简单以及无需关心被推荐项目实质内容,如今已经被传统的推荐系统广泛采用。社会化标签作为Web2.0时代重要产物之一,同时也已经被很多系统所使用,由于用户可以自由的使用任何标签对项目进行组织和管理,使得标签成为了用户和项目的纽带,也因此通过分析标签数据能够更全面的描述项目本质和更好的体现用户兴趣偏好。本文通过对传统协同过滤推荐算法和标签系统的研究,设计了一种在线学习领域基于标签的推荐系统,并针对传统协同过滤推荐算法无法考虑用户多兴趣点进行推荐这一问题,提出一种基于标签的推荐方法。首先通过挖掘标签数据中的隐式信息对目标用户可能存在的兴趣进行划分,其次将目标用户每个兴趣点分别与基于用户的协同过滤推荐算法进行结合,并分别产生出与目标用户相似的邻居用户,最后通过目标用户每个兴趣点下邻居用户的记录为其产生推荐结果,将每个兴趣点产生的推荐结果合并得到最终推荐结果。通过一定规则对Delicious公开数据集进行预处理后,将本文提出的算法与基于用户的协同过滤推荐算法进行对比实验,并使用推荐领域常用的准确率和召回率作为评测指标进行评测,实验结果表明利用标签数据可以为目标用户更好的产生推荐结果,并将基于标签的推荐方法引入设计的在线学习系统中,同时展示了学习系统的原型实现,进一步验证了方法的可行性。