本文提出了一种改进的向量空间模型(VSM)用户单兴趣表示法及其动态学习算法,实验表明该算法能够实时捕捉和记录用户最新的兴趣需求,并能自适应地调整和更新用户模板。在此基础上,考虑到用户兴趣的多样性及词语表达的同义性和语义相关性问题,本文进一步提出一种基于语义相似网络(SSN)的用户多兴趣建模方法,该方法使用SSN对用户兴趣特征词进行知识层面上的扩展,联想出同义词和相关词,并将用户兴趣细分为多个类别,建立起多兴趣的用户模型。个性化推荐测试中,采用这种基于SSN的用户多兴趣建模方法的系统其推荐效果要好于采用前一种改进的VSM用户单兴趣建模方法的系统。此外,本文还研究了用户建模中的特征选择,并提出一种根据词性标注信息将词频法和TFIDF方法相结合的特征选择方法,特征选择实验表明这种基于词性标注的组合特征选择方法的效果好于单独使用词频法或TFIDF方法。在理论研究的同时,本文还介绍了用户单兴趣建模和多兴趣建模技术在个性化信息检索中的一个应用实例-智能电视节目推荐系统,并通过该系统测试验证了特征选择算法和动态学习算法的有效性,以及基于SSN的用户多兴趣建模方法的良好建模性能。