随着网络的普及,互联网逐渐出现在人们生活的各个角落。以互联网为平台的针对用户的服务和应用也逐渐丰富起来,极大的丰富了人们获取信息和交流信息的手段,提高了人们在生活中信息处理的数量。然而,对于各种互联网应用和服务的核心—用户而言,仅仅提供海量的信息不仅不能提高用户处理数据的效率从而吸引用户,反而会使用户失去方向,模糊了用户的潜在需求。在这种情况下,能够反应用户意图的用户兴趣模型的研究成为了很多互联网应用的重点,如多样的个性化服务(Web Personalization)。本文首先对用户兴趣建模的基本内容进行了介绍,并着重介绍了文中系统所应用的空间向量模型(VSM)。针对该用户兴趣建模方法的不足,本文引入了关键词依赖模型(Keywords Dependency Profile)的方法,将空间向量模型扩展为图结构模型。原表征用户兴趣的关键词向量中的词定义为图结构中的顶点,词与词之间的关系定义为图结构中的边,并由关键词组和原始用户数据计算得到顶点和边的权重。最终的用户兴趣模型由权重最高的一组顶点和一组边表示。通过关键词依赖以表达更丰富的用户兴趣信息,弥补原方法的不足。本文在系统中用户兴趣的空间向量模型建模方法上,实现了基于关键词依赖的用户兴趣建模。通过对收集到的9组用户原始数据设计实验并比较结果,验证了该方法的有效性,较好的达到了预期目的。