随着Internet的迅速发展,各种信息以指数级的速度增长,类型也越来越多。如何有效地解决信息过载和信息迷失带来的种种问题,如何满足各种用户不同的个性化需求等,是研究人员面临的新课题,个性化服务已经成为当前信息服务领域的研究热点之一。用户兴趣建模技术作为个性化服务的核心问题,主要是研究如何有效地组织用户的兴趣源,用户兴趣的表示、更新以及存储等。本文提出了一种基于混合用户兴趣模型的个性化推荐系统,实验验证该系统能为用户提供更为精确有效的个性化推荐。本文的研究内容及成果如下:①在分析传统用户兴趣模型的基础上,提出了一种将用户浏览内容和行为相结合的混合用户兴趣模型,将其形式化地描述为一个二元组UP=(I,C)。特征词权重向量I用于描述用户浏览内容特征,而行为影响因子C用于描述用户浏览行为特征,区分用户对不同类别特征词的关注程度,突出用户感兴趣类别的特征词。该模型能够有效克服传统基于内容的个性化描述模型不能刻画用户行为特征的不足。②精心设计了专用于用户兴趣文件获取与更新的双重遗传算法(Dual GAs)。它包括两次遗传进化过程:第一次遗传进化过程(FGA)能够发现并调整特征词权重向量I;第二次遗传进化过程(SGA)根据用户兴趣度(UIL)自动调整行为影响因子C。③给出了基于混合用户兴趣模型的个性化服务系统框架及推荐方法。在分析了传统基于内容的个性化推荐的不足后,提出了基于混合用户兴趣模型的个性化服务系统框架,并给出了基于混合用户兴趣模型UP=(I,C)的个性化推荐方法,新方法能够为用户提供更为精确有效的个性化推荐。④在实验数据预处理研究中,实现了自动抽取特征项并建立特征词词典的方法;给出了一种高维向量空间模型降维方法(R-VSMD),可为系统节约存储空间和提高程序的运行效率,具有较好的应用参考价值。⑤采用国际知名网站的标准分类页面作为测试集,针对本文提出的混合用户兴趣模型和采用传统经典遗传算法构建的用户兴趣模型做了较为充分的个性化推荐比较实验。实验结果表明,文中的方法能够更为准确的描述用户兴趣,提高推荐质量。上述取得的研究成果,在用户兴趣建模和个性化推荐领域中具有很好的学术参考价值和较好的应用价值。