最近几年来，Internet和Web2.0的不断发展导致了大量信息化数据的产生，信息过载现象越来越严重，人们要想从大量的信息中找到自己感兴趣的信息变得越来越困难。所以，个性化推荐就应运而生。它利用知识发现进行针对于单个目标用户的推荐技术，是目前解决信息过载最有效的途径。社会化标签是Web2.0思想中的一种主要应用，利用标签用户可以自由地标注自己喜欢的信息，这就反映出了用户的兴趣爱好。如果将用户对互联网信息打的标签引入到个性化推荐中去，形成基于社会化标签的个性化推荐系统，必然更加有利于我们分析用户的兴趣偏好，从而得到更好的推荐效果。区别于以前只能推荐单一类型结果的基于社会化标签的个性化推荐系统，商品-标签的联合推荐可以同时推荐商品和标签。并且，用户为收藏/购买的商品标注的标签体现了用户的兴趣爱好所在，更能体现用户的个人偏好。所以，挖掘用户感兴趣对象的标签主题意义很大。同时，商品和标签的联合推荐中标签可以解释推荐此商品的原因，使推荐系统具备良好的可解释性，用户的接受度会更高。并且，对每个用户推荐商品-标签的联合推荐可以充分运用标签数据中的信息，产生高质量的推荐。本文分别研究怎样改进协同过滤推荐算法和基于用户-商品-标签三部图推荐算法，从而得到商品-标签联合推荐。在协同过滤算法中，使用物质扩散算法求用户间的相似度，通过改进协同过滤算法，将二元关系和三元关系都考虑进来，首先利用单纯商品推荐与标签推荐得到一个联合推荐结果，然后利用新的商品-标签表示的用户模型得到另一个商品-标签联合推荐结果，将两个结果结合起来得到了最终的联合推荐结果，最后我们将商品-标签联合推荐结果映射到商品空间，得到商品推荐结果。在三部图物质扩散算法中，考虑在网络三部图中增加推荐步骤，得到商品推荐后，研究商品和标签之间的联系，得到商品-标签联合推荐结果。并且同时，我们考虑在三部图中增加了时间因素，以达到更好的推荐效果。