随着Internet技术的发展,使用相应的搜索引擎来查询相关结果已经成为当今人们生活的习惯。由于不同用户之间是有差异的,不同用户的兴趣偏好并不完全一致,对于同一搜索词,不同用户想得到的结果往往是各有侧重的。另外,对于大多数用户来讲,他们并不十分明确如何在使用搜索引擎时添加搜索范围。所以,如何利用用户的背景知识来帮助用户优化查询,从而得到更为满意的结果成为当前搜索引擎研究的重点。　　本文的主要工作大致可以描述为以下两个方面:　　首先,我们分析了一些已有的个性化搜索系统中的用户兴趣模型。针对这些个性化方法中兴趣模型的不足,本文提出了基于群体的兴趣模型GIM(Group Interest Model)。该兴趣模型从社会网的角度出发,对基于个人的兴趣模型中的兴趣值计算方法进行优化,使得能从用户的朋友的角度得到新的兴趣计算值,从而反应用户的朋友的兴趣特点。通过相关实验,我们验证了两种兴趣模型的兴趣值之间有高度的一致性。也就是说仅仅通过朋友的兴趣也可以从一定程度上了解用户本人的真实兴趣。不仅如此,该兴趣模型还可以从朋友的角度,帮助用户发现新的兴趣。　　然后,我们以SwetoDBLP为数据源建立了相应的搜索引擎DBLP-SSE(DB-LP-Support Search Engine)。该系统能够分别从未优化、基于个人的兴趣模型和基于群体的兴趣模型3个等级进行搜索优化,从而能让用户能体会到基于群体的兴趣模型相对于其他两种策略的优点。另外,我们模拟不同的用户使用该系统进行搜索,并让这些用户对搜索结果进行评价,从实践的角度进一步说明此兴趣模型在实际使用中的现实意义。　　本文中所提出的兴趣模型结合了Web2.0中社会关系的特点,使得搜索引擎可以利用用户的社会关系来优化搜索。此模型不仅可以在仅仅拥有其朋友信息的前提下得到用户的部分真实兴趣,而且能让用户了解到他的同事、朋友和亲人的兴趣,这样就能帮助用户发现一些新的兴趣。此模型对于Web2.0时代的个性化搜索具有现实意义。