随着各种互联网社区中的用户量和相关数据量的快速增长，用户越来越难以获取到对自己有价值的信息，为此，需要通过计算机帮助用户在海量信息中筛选出对每个用户有价值的内容。在较早时期发展起来的分类列表网站、搜索引擎等都是为了解决这个问题，然而这两种方式存在着各自的局限性，分类列表网站的内容不会针对不同的用户分别提供内容，而是为了满足大多数用户的普遍需求而确定的，所以不能够实现个性化，也不利于对用户兴趣的挖掘；而搜索引擎则依赖于用户每次主动输入的关键词，因此容易将用户局限在已知的一个范围之内，不能够达到内容新颖的效果。为了克服上述局限，各种互联网社区开始结合机器智能算法来为用户提供更优质的服务，通过机器学习的方法来归纳和总结用户的行为习惯，达到理解用户偏好的目的，并根据这种学习到的偏好为用户提供个性化服务。但是，对于特定的应用领域应该使用何种方法，以及如何将已有的各种智能算法结合到实际系统中仍然是需要进一步研究的问题。本论文以为用户提供个性化的用户匹配服务和内容推荐服务为目标，总结了相关领域的研究现状，在对线性分类器、支持向量机和协同过滤等技术进行研究的基础上，以教师和学生之间的匹配需求以及教学资源的共享需求为背景，设计并实现了一种基于Play框架的用户匹配与内容推荐系统，其中用户匹配功能使用LIBSVM实现、内容推荐功能使用LensKit实现，两者都良好地整合到了基于Play框架实现的应用系统之中。本论文相关工作的先进性主要体现在以下两个方面：（1）使用支持向量机理论来解决教师和学生用户之间的匹配问题。支持向量机理论一般用于解决分类问题和回归分析问题，论文通过对匹配问题的转换，使得支持向量机可以应用于解决用户匹配问题，取得了良好的效果。（2）提出了一种新的推荐系统实现方案。结合Play框架和LensKit推荐库实现的推荐系统具有高度可配置、易于测试并且功能齐全等特点，可以广泛应用于实现各个领域的推荐系统。