随着信息技术的发展,特别是因特网应用的普及,出现了“信息过载”和“信息迷失”的问题。如何管理因特网上的大量信息,提供个性化服务成为当前信息服务领域的研究热点之一。论文主要研究网络信息提取系统中的用户兴趣模型,解决了已有系统不能向单个用户提供个性化服务的问题。论文在分析研究建模技术的基础上,提出了一种由短期兴趣模型和长期兴趣模型组成的混合用户兴趣模型,主要介绍了用户兴趣模型的建立和更新方法。通过在二层树状结构中加入时间向量来精确描述用户兴趣模型,使它不但具有层次性,而且能区分用户的短期和长期兴趣。同时采用层次和划分结合的聚类算法进行文本聚类,提高了聚类效率。为了准确收集用户的浏览行为,通过相关性分析归纳出反映用户兴趣的浏览行为最小组合,并提出基于优化时间窗的兴趣漂移算法来更新模型,它通过分类错误率的显著变化跟踪用户兴趣的改变和通过优化时间窗口处理用户兴趣漂移。系统通过“显式”收集用户浏览内容和浏览行为调整用户兴趣度,建立用户兴趣模型,同时通过基于优化时间窗的兴趣漂移算法“隐式”更新用户兴趣模型。实验结果表明,基于此兴趣模型的网络信息提取系统能对检索结果做出个性化过滤处理,提高用户的查准率和查全率,满足用户的个性化需求。