数字图书馆是解决网络信息过载的关键技术,是资源共享和知识发现最主要的媒介之一。自20世纪90年代提出以来,引起了以美国为首的世界各国的热切关注,掀起了研究和开发的热潮。构建高效、简洁、灵活的信息服务体系是数字图书馆建设的终极目标。但目前大多数数字图书馆的信启、服务都是“以资源为中心”的服务模式,而没有考虑到用户的专业、爱好、年龄、心理倾向等因素存在着较大差异这一事实,因此不能真正的满足用户个性化的信息需求。 本文研究一种在数字图书馆中将用户感兴趣的信息主动推荐给用户的服务方式,即个性化主动信息服务。论文的主要工作包括以下几个方面: (1)在分析现有个性化服务技术及应用的基础上,针对数字图书馆的特点,提出一种有效而全面地描述数字图书馆资源的可计算模型——DC-VSM模型,并基于该模型设计描述用户兴趣和特征的用户模型,两种模型都采用XML格式表达。资源描述模型和用户模型是实现个性化主动信息服务的基础。 (2)针对传统个性化信息过滤技术存在的缺陷,提出一种将基于内容过滤和协作过滤相结合的混合过滤算法,给出了基于加强学习的用户模型自适应更新算法,并从系统宏观性能的角度出发,设计了信息分流机制,使具有相似兴趣的用户能够最大限度地共享推荐资源,从而提高整个推荐系统的效率。 (3)提出一种基于Agent的数字图书馆个性化主动信息服务模型——PAISDL。该模型采用OAI体系结构,使用OAI-PMH协议收集互联网上公开访问的元数据,利用上述算法实现个性化推荐。PAISDL原型系统采用多Agent技术实现。