随着Internet的飞速发展，互联网已成为全球最大的分布式信息数据库。一方面，信息化给人们带来了极大的便利；另一方面，由于过量冗余的信息充斥网络，想要在网络上快速有效的提取有效信息也变得越来越困难。传统搜索是基于关键词检索的，但这种方法无法有效提取和检索到语义间的关联内容和隐含信息，在知识发现和查准查全率方面都有所欠缺。而个性化Web搜索技术的出现，可以有效缓解上述问题的出现，为用户提供更精细、准确和自动化的搜索。本文研究基于兴趣学习的Web内容推荐系统并对其进行优化，根据用户搜索所涉及的领域本体添加用户兴趣领域至用户本体，通过概念和语义间的关系计算用户兴趣权重，并根据用户浏览行为实时更新本体，得到更准确的用户兴趣模型。由于用户兴趣作为搜索限制条件加入搜索语句，无疑增加了系统响应时间，本文通过研究图论算法，对搜索条件进行重新排序，通过选择估值减少中间结果集，选择高效的执行计划，提高连接查询效率，从而减少搜索响应时间，给用户创造更准确快捷的结果返回。本文首先介绍基于兴趣学习的Web内容推荐涉及的核心技术，在此基础上，研究用户兴趣学习算法，以达到提高用户查询搜索准确度的目的。由于用户兴趣增加了查询条件的复杂性，又通过查询优化策略优化查询时间，以达到提高用户查询搜索效率的目的。并对查询优化策略进行实验和其他方法的搜索引擎进行对比，验证了该方法可有效提高查询效率。通过研究及优化，改进后的基于兴趣学习的Web内容推荐系统在为用户推荐信息上将更符合用户的兴趣，同时查询效率也将有所提升。通过实验，将搜索结果按照用户兴趣模型重新排序后返回给用户，用户的满意度有所提高，可以看出改进后的用户兴趣模型更接近用户真实兴趣，可以减少翻页和搜索时间，给用户更愉悦的用户体验。将用户兴趣作为限制条件加入查询语句后的搜索系统，查询时间将会有所增加，经过本文方法的查询优化，在查询效率上也比优化前有所提高，尤其针对查询条件和语句关系较为复杂的情况，优化效果更为显著。