随着互联网的发展,Web2.0应用的功能也变得越来越丰富,出现了许多将标注权限赋予用户的用户生成内容(UGC)系统。标签不仅仅丰富了互联网的数据资源,而且在信息检索、推荐系统等场景也有得到应用。但是社会化标注这种行为完全由用户决定,这就导致了标签数据中存在大量冗余的、不规范的标签,因此进行标签推荐技术的研究具有重要的现实意义。一方面对系统而言,标签推荐有利于去除冗余的、不规范的标签信息,为系统营造良好的标签数据资源;另一方面对用户来说,标签推荐也是系统提供的一种服务,良好的推荐效果能够提升用户体验。然而,目前大多数标签推荐还依赖于基于内容等传统的算法,并且许多算法只考虑了标签与资源之间的关系而忽略了用户,因此推荐效果不佳。由于在图表征任务上的出色表现,图神经网络成为当前的研究热点,图神经网络与推荐系统的结合有可能进一步提升推荐性能。因此,本文设计了一种基于图卷积神经网络的个性化标签推荐算法,借助图卷积网络的表示学习能力,用于为用户发布的资源推荐标签。本文主要的工作包含以下几点:(1)设计了一种基于图卷积神经网络的个性化标签推荐算法。说明了算法的设计思路,包括数据预处理与特征提取、用户与标签的表示学习以及个性化标签推荐三部分。(2)设计了一个个性化标签推荐系统。首先通过系统的需求分析明确了系统的功能需求。其次通过系统设计将功能需求模块化,具体包括系统架构设计、功能模块设计以及数据库设计。然后说明了系统实现的相关技术、各个功能模块的具体实现。最后对系统的主要模块进行了功能测试。(3)对本文算法进行了实验验证分析。通过实验测试了算法参数对推荐性能的影响、测试了注意力机制对推荐性能的影响,对算法测试结果进行了分析,并与常用的标签推荐算法做了对比。从实验结果来看,本文算法在推荐的精确率、召回率指标上,相比于常用的标签推荐算法都有一定的提升,证明了本文算法的有效性。