随着互联网和移动通信的不断发展，即时通信也迅速发展起来，从单纯的聊天工具成长为一种兼具交流、娱乐等特性的综合化信息平台。以此同时，即时通信用户群规模不断扩大，服务和资源的数量也在迅猛增加。面对浩瀚的信息量，即时通信需要个性化服务的支持来提升用户获取资源的质量和便捷性。　　 用户偏好预测是个性化服务的关键，它通过收集和分析用户行为信息来学习用户的兴趣，获取用户的偏好，从而结合用户自身情况和产品的运营需求来提供优质的服务。本文在分析即时通信领域用户偏好影响因素的基础上，探讨一种新的用户偏好预测方法。　　 目前现有的偏好预测算法多数为互联网领域的研究，其在即时通信领域的研究较少。参考互联网领域的研究成果，偏好预测主要使用单纯的统计挖掘、贝叶斯网络、Markov链和协同过滤算法等方法。几种方法都有各自的优点和不足之处。总结以上方法的利弊后，本文提出将历史数据的统计分析与协同过滤方法相结合的用户偏好预测方法。通过分析即时通信的领域特征和影响用户业务使用偏好的因素，将上下文情景信息、用户信任度和协同过滤算法融合起来，共同应用到用户偏好的预测中，进而有效地提高预测的准确度和可信度，并在此基础上，设计实现面向即时通信领域的用户偏好预测系统。　　 本文主要包括以下部分：第一章绪论讲述系统开发背景和相关研究现状；第二章相关理论研究，介绍了现有偏好预测算法的相关理论研究，并分析即时通信领域用户偏好预测的影响因素；第三章介绍系统的总体架构；第四章详细描述用户历史行为生成子系统的设计和实现；第五章详细描述用户偏好预测子系统的设计和实现；第六章讲述系统的测试；第七章主要总结本文工作和对下一步工作的描述。