随着网络信息的迅速膨胀,人们从Web上获取感兴趣信息越来越困难。因此,为用户提供感兴趣信息的个性化推荐技术获得了广泛关注。目前个性化推荐技术多数是基于Web服务器端数据的,无法从根本上解决用户难以较好地获取感兴趣信息的问题。而Web客户端数据包含单个用户对多个网站的上网记录,其数据能更好地反映用户兴趣,因此本文主要研究了基于Web客户端数据的个性化推荐技术。　　 首先,研究了Web客户端的用户个性化信息提取。Web客户端的用户个性化信息主要从IE缓存、IE历史记录、收藏夹等获取,其中IE缓存上网记录较多、数据冗余较大等特点加大了用户个性化信息的提取难度。针对这一问题,本文研究了基于网页分块的网页正文信息提取方法,实现了从IE缓存中提取用户个性化信息。该方法引入网页分块的思想,通过使用正则表达式,实现了网页内容块抽取及其正文信息提取。实验结果表明,该方法能够较准确地抽取用户个性化信息,且具有较强的通用性。　　 其次,本文分析比较了现有几种基于空间向量模型(VSM)表示的用户兴趣模型,将互信息和层次聚类方法应用于用户兴趣建模。互信息的引入使用户兴趣模型中兴趣特征之间能够相互关联,而基于互信息的兴趣特征层次聚类又更好的将关联关系比较强的兴趣特征聚集在一起。实验结果表明,该用户兴趣模型能够较好地匹配用户感兴趣的信息。　　 最后,设计并实现一个以用户为中心的基于客户端数据的个性化推荐原型系统。测试结果表明,该原型系统能够从异构的Web客户端数据中提取用户个性化信息,并根据用户个性化信息进行用户兴趣建模,向用户推荐其感兴趣的信息。