随着网络信息技术的发展和普及,人们逐渐从信息匮乏的时代走入了信息过载的时代,传统搜索引擎已经越来越不能满足用户对于个性化数据的需求,因此,个性化推荐作为一种有效的解决途径,受到社会各界的广泛关注。本文主要研究个性化推荐系统的工作原理,并且结合元搜索引擎以及人工智能领域的Agent技术,设计一种基于Agent和元搜索引擎技术的个性化推荐系统框架,探讨如何利用用户有意识和无意识反应出来的偏好信息,更好地为个性化推荐系统服务。通过分析目前广泛采用的显式和隐式反馈获取方式的优缺点,提出一种混合用户偏好获取模式,对隐式偏好进行了评分转换。采用了改进的基于向量空间的用户兴趣模型的表示方法,增加长期、短期兴趣的标识和更新时间。对利用TF/IDF计算关键词权重的方法,增加基于隐式反馈行为的兴趣等级参数,有效地表示用户的兴趣。在个性化的推荐系统中采用基于项的系统过滤推荐算法。由于该算法具有很好的扩展性,结合混合用户偏好获取,对用户访问但未评分的物品喜好程度进行量化,补齐用户评价矩阵,更好地提高了推荐的效果。设计了一种基于Agent元搜索引擎的个性化推荐系统的框架,包含人机交互、用户兴趣学习、系统数据管理、信息搜索、多Agent协同等功能。各个模块直接紧密协作,有效的将Agent、元搜索引擎、用户兴趣模型等联系在一起,从而更好地根据用户行为定制个性化模型,为用户提供更加精准的需求信息。