软件众包平台采用公开参与的方式,吸引地理位置分散的开发者众包完成各种类型的软件开发与服务项目。但随着软件众包平台的发展,平台中项目数量的提升导致了开发者不得不花费大量时间从数量巨大、类型繁杂的项目中选择合适自己的项目。需求标注为这一问题提供了一种有效的解决方案。如果平台中每个项目都根据需求被标注了合适的标签,开发者或推荐系统则可以根据标签快速找到合适的项目,同时也有助于开发者快速了解项目要点,提升文本阅读的效率。因此本文研究提出了基于强化学习的软件众包需求标签推荐方法――Tag Rec,根据发包者标签选择记录构建概率模型对发包者对标签的推荐成功概率进行建模,提出并使用基于知识图谱的推荐算法KGR和基于协同过滤的推荐算法PMFR分别生成标签列表,然后提出并使用基于强化学习的排序算法RLR对上述标签进行重排序,推荐排序最靠前的标签作为最终的推荐结果。本文的主要贡献和创新点包括:（1）提出一套通用的概率模型构建方法,用于对发包者选择标签的真实概率做出推断,该模型根据发包者选择标签的记录进行训练和更新。（2）提出了基于知识图谱的标签推荐算法KGR和基于协同过滤的标签推荐算法PMFR。其中KGR利用了知识图谱中丰富的单词资源和单词间的关系进行基于内容的推荐。PMFR采用了协同过滤方法并利用了上述构建的概率模型进行个性化推荐。（3）提出了基于强化学习的标签排序算法RLR,对上述两种推荐算法得到的标签列表根据选择该标签带来的短期回报和长期回报做进一步的排序。其中所用到的概率模型和知识图谱根据发包者对标签的选择反馈进行持续更新。（4）提出了基于强化学习的软件众包需求标签推荐方法Tag Rec,采用KGR算法和PMFR算法进行标签推荐,采用RLR算法对所推荐标签进行排序。最后,为了验证本文所提出算法的有效性,在解放号、猪八戒和Movie Lens数据集上进行了一系列实验。实验结果表明,Tag Rec与基准方法相比,在需求文本推荐标签的准确度指标上取得了5%至10%的效果提升,在多样性和覆盖率提升约4%;KGR算法和PMFR算法在准确度指标上提升了3-5%,多样性指标上与其他对比算法类似,覆盖率上领先约10%;RLR算法在准确率和覆盖率指标上均提升了约5%。