Internet为人们提供了极其丰富的信息资源,在这些海量、异构的Web信息资源中蕴含着具有巨大潜在价值的知识。但是,面对信息的汪洋大海,人们往往感到无所适从,出现了所谓的“信息过载”和“信息迷向”的现象。根据用户访问项目的历史记录以及项目之间的相关信息可以构建用户的兴趣模型,从而凭借该用户兴趣模型对繁杂的信息进行过滤,并向用户推荐其可能感兴趣的项目,这就是个性化推荐系统所做的事情。事实上,推荐系统已经成为目前解决信息过载最有效的工具之一。针对个性化推荐系统存在的用户兴趣漂移问题,本文提出了基于网络稠密度的用户兴趣漂移检测方法,并利用该方法设计了包裹(wrapper)一般推荐系统的方法,该方法能在快速检测用户兴趣漂移的同时去除噪声用户对推荐系统的影响,提高推荐系统的精确度和稳定性。并以科技论文在线推荐系统为研究背景,设计了基于网络结构的快速论文推荐算法,并把该算法应用到中国科技论文在线的实际数据上,实现了一个论文在推荐系统网站。主要工作如下:1)提出了一种能够适用于推荐系统的基于项目相似网络结构的兴趣漂移快速检测算法。该算法根据用户已访问的项目构建相似网络,并以该网络的稠密度和连续度为依据去除噪声用户,同时依据稠密度的变化来检测兴趣漂移的发生与否和发生时刻。由于用户访问项目网络一般较小,计算量大大缩减,实现了在快速检测兴趣漂移的同时,避免了噪声用户数据对推荐系统稳定性的影响。2)把基于用户访问项目网络稠密度的兴趣漂移检测算法应用到推荐系统,用以解决用户兴趣漂移对推荐系统性能影响的问题。为此,本文实现了基于内容和基于协同过滤两种基本的推荐算法。为验证本文兴趣漂移检测算法应用到推荐系统中的有效性,我们在MovieLens提供的用户对电影评分数据集上,引入模拟的用户兴趣漂移数据。实验结果表明,我们的兴趣漂移检测算法可以有效减少用户兴趣漂移对推荐系统带来的干扰,提高了推荐性能。3)将推荐系统应用到教育部科技发展中心支持的科技论文共享网站的用户个性化服务项目中,完成推荐系统在中国科技论文在线网站数据上的实际应用。在该项目中,完成了用户行为记录、用户兴趣建模、和论文推荐三个模块,实现了基于论文关键词、基于论文分类和关键词、以及基于用户—论文网络结构的三种推荐方法。结果表明,三种方法能有效推荐用户感兴趣的论文。