随着个性化推荐技术的以及用户兴趣建模技术的研究发展,个性化推荐服务已渗透到了诸多领域。传统的用户兴趣建模技术中,基于本体或分类的用户兴趣模型因其允许用户兴趣预测等优点而获得广泛关注。然而,传统的分类方式往往由于粒度过粗、需要人工参与等缺点而使得用户个性化推荐效果大大降低。因此,研究新的算法来改善基于本体或分类结构的用户兴趣模型来提高个性化推荐的效率和质量具有十分重要的意义。以改良传统的基于本体或分类的用户兴趣模型的推荐效果为目标,本文主要进行了以下几项工作：首先,提出了一个基于论文关键词共现网络的学科主题细分方法。以加权的关键词共现网络来表示学科或研究主题内的关键词分布情况,通过对加权的关键词共现网络使用聚类算法,删除权重较低的边,从而得到学科分类系统的细化扩展结果。细化后的学科分类系统为细化用户兴趣模型建立了基础。然后,给出了基于论文关键词聚类的用户兴趣建模方法。对传统的基于本体的用户兴趣建模的算法进行了改善,增加了用于度量某一主题的内容与用户兴趣倾向的偏移程度的关联因子。关联因子的引入使得建模算法更容易区分一些用户在其兴趣程度相似的研究主题上的兴趣程度。另外,本文中的用户兴趣模型构建方法通过考虑学科分类系统中研究主题间的紧密关系,区分了显式兴趣模型与隐式兴趣模型的概念,并给出了通过在计算中引入显式兴趣模型来构建隐式兴趣模型的方法。使用显式兴趣模型作为用户个性化推荐的主要模型,而隐式兴趣模型则作为个性化推荐的必要补充。使用显式与隐式兴趣模型相结合的方法来描述用户兴趣,提高了用户兴趣描述的精确程度。最后,通过在科技论文在线原型系统(SPRS)上的三个实验,验证了本文所给出的改进算法,实验结果说明本文所给出的方法运行效果良好,提高了用户兴趣模型的精度和推荐服务的质量。