个性化信息服务的核心技术之一是用户建模技术,用户模型(又称用户描述文件)主要描述用户的特征以及用户之间的关系,在个性化服务系统中能否建立一个高质量的用户模型直接关系着个性化服务的质量。目前,在建立用户模型方面尚且没有统一的标准,传统的用户模型挖掘方法具有各自优点,但是存在两个共同的不足之处,第一,在挖掘用户模型的过程中只注重了用户对单个兴趣点的兴趣权重,却忽略了用户对有相互关联的两个兴趣点或多个兴趣点的共同兴趣权重；第二,传统的用户模型挖掘方法得到的用户模型在一定时间内都是静态的,不能动态的描述用户兴趣的变化过程,更不能对用户兴趣的发展趋势做出预测。针对传统用户模型挖掘和表示方法存在的不足,本文主要做了如下两方面工作：第一,将用户兴趣点集和兴趣向量集组合起来表示用户兴趣。个性化服务系统中用户访问兴趣点的次序和用户的兴趣点一样蕴含着用户的兴趣偏好和操作习惯,本文采用用户频繁访问的资源所属分类作为用户兴趣点,频繁访问的分类的有向二元组作为用户兴趣向量,以加权有向图的形式将用户兴趣点集合和兴趣向量集合组合起来描述用户兴趣,这种用户兴趣描述方法相比传统的兴趣描述法能够更全面、更细致地刻画用户兴趣。第二,给出了动态用户兴趣模型挖掘方法。本文在最小二乘法原理基础上提出了通过拟合兴趣点和兴趣向量时序序列的方法将基于兴趣点和兴趣向量的用户兴趣模型扩展为支持动态演进的用户兴趣模型,动态用户兴趣模型能够描述用户兴趣变化过程和理性预测用户兴趣。本文在个性化论文推荐系统(PPRS)中分别设计了基于用户兴趣点和兴趣向量的兴趣模型的推荐实验和基于支持动态演进的兴趣模型的对比实验。实验结果表明：基于用户兴趣点和兴趣向量的用户兴趣模型能够适用于基于内容过滤的推荐系统和协同过滤推荐系统,并且能够取得较高的推荐准确率；支持动态演进的用户模型相对静态的基于兴趣点和兴趣向量的用户兴趣模型具有更好的实时性和准确性。