随着互联网信息的海量增长,人们需要花费越来越多的时间和精力去检索和挖掘符合自己兴趣爱好的内容。在这种情况下,个性化服务应运而生。个性化服务的宗旨是直接向用户提供满足其兴趣爱好的内容,包括检索服务,推荐服务等等。其中用户兴趣模型是个性化服务的核心,直接决定着个性化服务的质量。只有快速准确地把握用户兴趣,建立用户兴趣模型,才能为用户提供高质量的个性化服务。本文将社会网络和社区发现的概念引入到用户兴趣模型的研究中,探讨了用户兴趣模型的建立方法和用户兴趣的预测方法。文章首先研究了现有的社区发现方法,在此基础上提出了一种局部社区发现方法,该方法基本上基于网络的局部信息,因此具有较高的效率,同时方法中引入的节点划分方法保证了算法具有较高的精度,最终可以得到网络中的社区结构,其中每个社区中的节点具有较高的相似性或者相关性。该方法可以应用到用户兴趣建模过程的近邻计算部分,而近邻计算是协同过滤推荐技术的关键。本文在研究当前用户建模方法的基础上,引入社会网络相关方法,提出了一种混合式的用户兴趣模型的建立方法。该方法中将传统的聚类思想和协同过滤思想相结合,使用社会网络的相关方法得到用户群体兴趣,然后根据用户群体兴趣和个体兴趣的加权得到用户当前的兴趣模型。在研究了用户兴趣建模方法后,本文更进一步对用户兴趣的预测方法也进行了探讨,提出了两种基于时间序列分析的用户兴趣模型预测方法。一种是基于用户的历史记录预测其下一阶段的兴趣,实验表明该方法具有较好的预测效果;另外一种是基于协同过滤思想根据用户的近邻兴趣预测其未来的潜在兴趣,该方法对用户兴趣具有很强的引导性和启发性。经过研究本文提出了上述几种不同的用户兴趣建模和预测方法,这几种方法各自具有不同的应用场景,不仅可以使个性化服务提供商获益,而且为用户提供了极大的方便,最终实现了双赢的效果。