随着计算机的日益普及，网络已经成为人们生活中必不可少的一部分。如今，网上购物成为人们一种新的生活方式。网络上庞大的信息给人们带来了更多的选择的同时，也带来了困惑。客户如何从数以万计的商品中选出最合心意的产品，企业如何提高客户忠诚度以及保持客户，如何满足各种用户不同的个性化需求等，都成为首要解决的问题。为了使客户体验到完全个性化的服务，更好的满足客户的需求，关键是要了解客户的兴趣，发掘出客户潜在的购买力。本文首先介绍了个性化服务的内涵。个性化服务就是为不同用户提供不同的服务，以满足不同用户的需求。个性化服务通过收集和分析用户信息来学习用户的兴趣和行为，从而实现主动推荐的目的。其次介绍了贝叶斯网络。贝叶斯网络为个性化服务的实现提供了一种有效的方法，它能够使先验知识和数据有机的结合，并且通过较为直观的概率关联关系来发现用户兴趣。即使在干扰较多的情况下，也能够做出精确的预测。接着，文中分析了用户的实时行为，将用户的实时行为统一为用户的初始兴趣度，并利用贝叶斯网络对初始兴趣度进行更深一步的分析和预测。由于贝叶斯网络可预测突发事件，因此应用在用户的实时推荐中，能够更好的反映不同时期用户的不同喜好。在此基础上，本文结合用户的历史消费行为，利用动态贝叶斯预测模型研究用户的购买习惯，从而发现用户的潜在兴趣。这样，不仅全面的考虑到影响用户兴趣的因素，而且简化了兴趣预测模型，达到了在线推荐的目的。为了更好的满足用户需求，本文根据客户忠诚度的概念，对贝叶斯网络的结构进行更新学习，进而有效的处理大量的用户数据，更新兴趣预测模型。客户忠诚度的研究是建立在客户满意理论基础上的，增强客户满意度的最终目的是提高客户忠诚度。因此，对忠诚度的研究能够较好的解释并反映客户的购物行为。客户的忠诚度的评估结合了用户的实时行为和历史行为，并在很大的程度上体现了用户的潜在兴趣，能够有效的更新模型，而且避免了样本数据的再训练，为在线预测节省了时间。本文将实时行为和历史行为相结合，简洁、高效的建立了用户兴趣模型。并在此基础上，加入了客户的忠诚度作为网络更新参数，用以更新不断变化的用户需求，使得服务更具个性化。最后对文章进行了总结，指出了其中的不足，也展望了将来可以进一步研究的方向。